Kebingungan matriks ufusitas adalah alat yang digunakan untuk mengevaluasi kinerja model klasifikasi. mereka memberikan rincian detil prediksi model versus hasil sebenarnya, membantu mengidentifikasi daerah di mana model melakukan perbaikan dengan baik atau membutuhkan perbaikan.

Kesamaran Memahami Kebingungan

Sebuah matriks kebingungan adalah tabel yang menampilkan penghitungan positif, positif palsu, negatif benar, dan prediksi negatif palsu. Nilai-nilai ini membantu dalam menghitung berbagai metrik kinerja seperti akurasi, ketepatan, recall, dan skor F1.

Mengira Matriks Kebingungan

Untuk menghitung matriks kebingungan, bandingkan label yang diprediksi dari model dengan label aktual. Hitung jumlah kejadian dalam setiap kategori:

  • Positif Sejati (TP): Benarkan prediksi positif
  • Positif Palsu (FP): Prediksi positif yang salah
  • Negatif Sejati (TN): Prediksi negatif yang benar
  • Salah Salah Salah Negatif (FN): Prediksi negatif yang salah

Perhitungan ini kemudian diorganisir menjadi format matriks untuk analisis.

Tafsiran Hasil

Nilai-nilai dalam matriks kebingungan membantu menilai kekuatan dan kelemahan model. Nilai TP dan TN yang tinggi menunjukkan kinerja yang baik, sementara nilai FP atau FN yang tinggi menyarankan area untuk perbaikan.

Nutriks metrik yang berasal dari matriks kebingungan meliputi:

  • Akcurasi: Secara keseluruhan kejelasan model
  • Precision: Prediksi positif yang benar dari semua prediksi positif
  • Recall: Benar prediksi positif dari semua positif aktual
  • [[GALAL:0]]F1 Skor: Harmonic mean of precision and recall