Le metriche di matrice di confusione sono strumenti essenziali per valutare le prestazioni dei classificatori supervisionati, fornendo informazioni dettagliate su come un modello predice classi diverse e aiutano a identificare le aree per il miglioramento.

Comprendere la Matrice di Confusione

La matrice di confusione è una tabella che riassume i risultati di previsione di un modello di classificazione, che mostra i conti di veri positivi, veri negativi, falsi positivi e falsi negativi.

Metriche chiave prelevate dalla Matrice di Confusione

Diversi metrici possono essere calcolati per valutare l'efficacia di un classificatore:

  • Accuracy:[] La proporzione di previsioni corrette su tutte le previsioni.
  • Precisione:[] La proporzione di vere previsioni positive tra tutte le previsioni positive.
  • Richiesta:[] La proporzione dei positivi effettivi correttamente identificati dal modello.
  • F1 Punteggio:[] Il mezzo armonico di precisione e richiamo, bilanciando entrambe le metriche.

Calcolo dei Metrici

I metrici sono calcolati utilizzando le seguenti formule:

Accuratezza = (TP + TN) / (TP + TN + FP + FN)

Precisione = TP / (TP + FP)

Richiamo = TP / (TP + FN)

F1 Punteggio = 2 * (Precisione * Richiamo) / (Precisione + Richiamo)