Wat is nauwkeurigheid in de verwarringsmatrix?
Wat is nauwkeurigheid in de verwarringsmatrix?

Video: Wat is nauwkeurigheid in de verwarringsmatrix?

Video: Wat is nauwkeurigheid in de verwarringsmatrix?
Video: Thrombin Conference 2021 - Romy de Laat-Kremers 2024, December
Anonim

EEN verwarringsmatrix is een techniek voor het samenvatten van de prestaties van een classificatie-algoritme. Classificatie nauwkeurigheid alleen kan misleidend zijn als je een ongelijk aantal waarnemingen in elke klasse hebt of als je meer dan twee klassen in je dataset hebt.

Zo, hoe vind je de nauwkeurigheid van een verwarringsmatrix?

Het beste nauwkeurigheid is 1,0, terwijl de slechtste 0,0 is. Het kan ook zijn berekend met 1 - ERR. Nauwkeurigheid is berekend als het totale aantal van twee correcte voorspellingen (TP + TN) gedeeld door het totale aantal van een dataset (P + N).

Men kan zich ook afvragen, wat is evenwichtige nauwkeurigheid in de verwarringsmatrix? Bij gebrek aan een betere term, wat ik "normaal" of "algemeen" noem nauwkeurigheid wordt berekend zoals links wordt weergegeven: het aantal voorbeelden dat correct is geclassificeerd, waarbij alle vier de cellen in de worden geteld verwarringsmatrix . Evenwichtige nauwkeurigheid wordt berekend als het gemiddelde van de proportiecorrecties van elke klasse afzonderlijk.

Met dit in het achterhoofd, wat vertelt een verwarringsmatrix u?

EEN verwarringsmatrix is een tabel die vaak wordt gebruikt om de prestaties van een classificatiemodel (of "classifier") te beschrijven op een set testgegevens waarvoor de werkelijke waarden zijn bekend. Het maakt de visualisatie van de prestaties van een algoritme mogelijk.

Wat is een recall-verwarringsmatrix?

Het visualiseren van precisie en Terugroepen Als eerste is de verwarringsmatrix wat handig is voor het snel berekenen van precisie en terugroepen gegeven de voorspelde labels van een model. EEN verwarringsmatrix voor binaire classificatie toont de vier verschillende uitkomsten: echt positief, vals positief, echt negatief en vals negatief.

Aanbevolen: