ماtrics ابزار مورد استفاده برای ارزیابی عملکرد مدل های طبقه بندی هستند.آنها یک تجزیه دقیق از پیش بینی های مدل در مقابل نتایج واقعی ارائه می دهند، کمک به شناسایی مناطق که مدل به خوبی عمل می کند یا نیاز به بهبود دارد.

درک Confusion Matrices

یک ماتریس سردرگمی یک جدول است که شمارش اعداد مثبت واقعی، مثبت کاذب، منفی واقعی و پیش بینی های منفی کاذب را نشان می دهد.این ارزش ها در محاسبه معیارهای مختلف عملکردی مانند دقت، دقت، یادآوری و نمره F1 کمک می کنند.

محاسبه ماتریس Confusion

برای محاسبه یک ماتریس سردرگمی، برچسب های پیش بینی شده را با برچسب های واقعی مقایسه کنید.

  • مثبت واقعی (TP): پیش بینی های مثبت صحیح
  • مثبت کاذب (FP): پیش بینی های مثبت نادرست
  • منفی واقعی (TN): پیش بینی های منفی صحیح
  • منفی کاذب (FN): پیش بینی های نادرست منفی

این شمارش ها سپس به یک قالب ماتریس برای تجزیه و تحلیل سازماندهی می شوند.

تفسیر نتایج

ارزش های ماتریس سردرگمی به ارزیابی نقاط قوت و ضعف مدل کمک می کند. مقادیر بالا TP و TN نشان دهنده عملکرد خوب است، در حالی که مقادیر بالا FP یا FN نشان دهنده مناطق بهبود است.

متریک های مشتق شده از ماتریس سردرگمی عبارتند از:

  • [[۱] [۱۰] [۱] [۱] [۱] [۱] [۱]] [۱] [۱]] [۱] [۱]] [۱]] [۱] [۱] [۱] [۱]] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۲] [۱] [۱] [۱] [۱] [۲] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۲] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۲] [۲] [۱] [۱] [۱] [۲] [۱] [۲] [۱] [
  • [[۱] [۱۰] [۱] [۱۰] [۱] [۱] [۱۰]] [۱] [۱] [۱] [۱] [۱] [۱۰] [۱] [۱] [۱] [۱۰] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] پیش بینی های مثبت از پیش بینی های مثبت [۵]
  • [[۱] [۱۰] [[۱۰]] [[۱۰]]] [[۱۰]]] [[۱۰]]] [۱] [۱]] [۱]] [۱] [۱] [۱۰] [۱]] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۵] [۱] [۱] [۱] [۵] [۱] [۱] [۱] [۱] [۱] [۵] [۵] [۵] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۵] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۵] [۵] [۱] [۱] [۱] [۱] [۵] [۱] [۱] [
  • [[۱] [۱۰] [۱] [۱۰] [۱] [۱] [۱]] [۱] [۱] [۱] [۱] [۱] [۱۰]] [۱] [۱] [۱] [۱۰] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۵] [۵] [۱] [۵] [۱] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۱] [۱] [۵] [۵] [۵] [۵] [۵] [۵] [۱] [۱] [۵] [۵] [۵] [۱] [۱] [۱] [۵] [۵] [۵] [۱] [۱] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۱] [