Confusion matrices는 분류 모형의 성과를 평가하기 위하여 사용된 공구입니다. 그들은 모형이 잘 실행하거나 개선을 필요로 하는 지역을 식별하는 것을 돕는 모형의 예측 versus 실제적인 결과의 상세한 고장을 제공합니다.

Confusion Matrices를 이해하십시오

confusion matrix는 진정한 긍정적 인, false 긍정적 인, 진실한 부정적인 및 거짓 부정적인 예측의 수를 표시하는 테이블입니다. 이 값은 정확성, 정밀도, 리콜 및 F1 점수와 같은 다양한 성능 지표를 계산하는 데 도움이됩니다.

Confusion Matrix의 계산

혼란 매트릭스를 준수하려면 실제 라벨을 가진 모델에서 예측된 라벨을 비교하십시오. 각 범주의 인스턴스 수를 계산하십시오.

  • True Positives (TP) : 정확한 긍정적 인 예측
  • False Positives (FP) : 잘못된 긍정적 인 예측
  • True Negatives (TN): 부정적 예측
  • False Negatives (FN): 부정적 예측을 부정확하게

이 수치는 분석을위한 매트릭스 형식으로 구성됩니다.

결과의 해석

융해 매트릭스의 값은 모델의 강점과 약점을 평가하는 데 도움이 됩니다. 높은 TP 및 TN 값은 좋은 성능을 나타냅니다. 높은 FP 또는 FN 값은 개선 영역에서 제안됩니다.

주입 매트릭스에서 파생 된 미터는 다음과 같습니다.

  • Accuracy:모델의 전체적인 정정
  • Precision: 모든 긍정적인 예측에서 정확한 긍정적 예측
  • Recall: 모든 실제적인 긍정적 인 예측을 정확한
  • F1 점수: 정밀 및 리콜의 조화