ความแม่นยำในเมทริกซ์ความสับสนคืออะไร?

2024 ผู้เขียน: Miles Stephen | [email protected]. แก้ไขล่าสุด: 2023-12-15 23:41

NS เมทริกซ์ความสับสน เป็นเทคนิคในการสรุปประสิทธิภาพของอัลกอริธึมการจำแนกประเภท การจัดหมวดหมู่ ความแม่นยำ เพียงอย่างเดียวอาจทำให้เข้าใจผิดได้หากคุณมีจำนวนการสังเกตในแต่ละคลาสไม่เท่ากัน หรือถ้าคุณมีมากกว่าสองคลาสในชุดข้อมูลของคุณ

คุณจะค้นหาความถูกต้องของเมทริกซ์ความสับสนได้อย่างไร

ที่สุด ความแม่นยำ คือ 1.0 ในขณะที่ที่เลวร้ายที่สุดคือ 0.0 นอกจากนี้ยังสามารถ คำนวณ โดย 1 – ERR ความแม่นยำ เป็น คำนวณ เนื่องจากจำนวนรวมของการทำนายที่ถูกต้องสองครั้ง (TP + TN) หารด้วยจำนวนชุดข้อมูลทั้งหมด (P + N)

อาจมีคนถามว่า ความแม่นยำที่สมดุลในเมทริกซ์ความสับสนคืออะไร? ขาดคำที่ดีกว่า จะเรียกว่า "ปกติ" หรือ "โดยรวม" ความแม่นยำ คำนวณตามที่แสดงทางด้านซ้าย: สัดส่วนของตัวอย่างที่จำแนกอย่างถูกต้องโดยนับทั้งสี่เซลล์ใน เมทริกซ์ความสับสน . ความแม่นยำที่สมดุล คำนวณเป็นค่าเฉลี่ยของสัดส่วนที่ถูกต้องของแต่ละชั้นเรียนเป็นรายบุคคล

เมื่อพิจารณาถึงสิ่งนี้ เมทริกซ์ความสับสนบอกอะไรคุณบ้าง

NS เมทริกซ์ความสับสน เป็นตารางที่มักใช้เพื่ออธิบายประสิทธิภาพของแบบจำลองการจัดประเภท (หรือ “ตัวแยกประเภท”) ในชุดข้อมูลการทดสอบที่ค่าจริง เป็น เป็นที่รู้จัก. ช่วยให้เห็นภาพประสิทธิภาพของอัลกอริธึม

เมทริกซ์ความสับสนในการเรียกคืนคืออะไร?

การแสดงภาพความแม่นยำและ จำ อันดับแรกคือ เมทริกซ์ความสับสน ซึ่งมีประโยชน์สำหรับการคำนวณความแม่นยำอย่างรวดเร็วและ จำ ได้รับฉลากที่คาดการณ์ไว้จากแบบจำลอง NS เมทริกซ์ความสับสน สำหรับการจำแนกประเภทไบนารีจะแสดงผลลัพธ์ที่แตกต่างกันสี่ประการ: บวกจริง บวกเท็จ ลบจริง และลบเท็จ