Matriks kekeliruan

Matriks kekeliruan adalah ringkasan hasil ramalan mengenai masalah klasifikasi. Bilangan ramalan yang betul dan salah diringkaskan dengan nilai kiraan dan dipecahkan oleh setiap kelas. Ini adalah kunci kepada matriks kekeliruan.

1. Apa itu matriks kekeliruan dengan contoh?
2. Apa itu TP FP TN FN?
3. Mengapa kita memerlukan matriks kekeliruan?
4. Bagaimana anda menilai matriks kekeliruan?

Apa itu matriks kekeliruan dengan contoh?

Matriks kekeliruan adalah jadual yang sering digunakan untuk menggambarkan prestasi model klasifikasi (atau "pengklasifikasi") pada sekumpulan data ujian yang diketahui nilai sebenarnya. ... Pengelas membuat sejumlah 165 ramalan (e.g., 165 pesakit diuji kehadiran penyakit itu).

Apa itu TP FP TN FN?

Betul positif (TP): Ramalan adalah + ve dan X adalah diabetes, kami mahukan itu. Betul negatif (TN): Ramalan -ve dan X sihat, kita juga mahukannya. Palsu positif (FP): Ramalan adalah + ve dan X sihat, penggera palsu, buruk. False negative (FN): Ramalan adalah -ve dan X adalah diabetes, yang paling teruk.

Mengapa kita memerlukan matriks kekeliruan?

Matriks kekeliruan digunakan untuk memvisualisasikan analisis ramalan penting seperti penarikan balik, kekhususan, ketepatan, dan ketepatan. Matriks kekeliruan berguna kerana memberikan perbandingan nilai langsung seperti Positif Benar, Positif Palsu, Negatif Benar dan Negatif Palsu.

Bagaimana anda menilai matriks kekeliruan?

Sukatan Kekeliruan

1. Ketepatan (semua betul / semua) = TP + TN / TP + TN + FP + FN.
2. Salah klasifikasi (semua tidak betul / semua) = FP + FN / TP + TN + FP + FN.
3. Ketepatan (positif sebenar / ramalan positif) = TP / TP + FP.
4. Sensitiviti aka Recall (positif benar / semua positif sebenar) = TP / TP + FN.