معیارهای ماتریس Confusion ابزار ضروری برای ارزیابی عملکرد مدل های طبقه بندی هستند.آنها بینش هایی در مورد چگونگی پیش بینی خوب یک مدل کلاس های مختلف و کمک به شناسایی زمینه های بهبود می دهند. درک چگونگی استخراج و تفسیر معیارهای مانند دقت، یادآوری و F1score برای ارزیابی مدل عملی بسیار مهم است.

درک ماتریس Confusion

ماتریس سردرگمی یک جدول است که خلاصه عملکرد یک الگوریتم طبقه بندی است.این نشان می دهد که تعداد مثبت واقعی، مثبت کاذب، منفی واقعی و منفی کاذب، این ارزش ها پایه ای برای محاسبه معیارهای کلیدی است که جنبه های مختلف دقت مدل را اندازه گیری می کنند.

دقت و یادآوری

دقت نسبت پیش بینی های مثبت را که درست است اندازه گیری می کند، محاسبه شده به عنوان تصمیم گیری صحیح = مثبت واقعی / (درست مثبت + مثبت کاذب) یادآوری، همچنین به عنوان حساسیت، نشان می دهد نسبت مثبت واقعی به درستی شناسایی شده، محاسبه شده به عنوان Recall = مثبت / واقعی (درست مثبت) [F3] منفی.

F1Score و ثبت نام آن

F1score با محاسبه ی معانی هارمونیک خود، دقت و یادآوری را در یک متریک واحد ترکیب می کند، به ویژه هنگامی که توزیع کلاس نامشروط است، فرمول F1Score = 2 * (یادگیری) / (Pre Decision +) به یاد می آورد [F:1] .

کاربرد عملی

این معیارها برای ارزیابی مدل ها در حوزه های مختلف، مانند تشخیص پزشکی، تشخیص اسپم و تشخیص تصویر استفاده می شود.با حذف و تجزیه و تحلیل دقیق، یادآوری و F1score، تمرین کنندگان می توانند تصمیم های آگاهانه ای در مورد استقرار مدل و بهبود بگیرند.