Matricile de confuzie sunt instrumente folosite pentru evaluarea performanţei modelelor de clasificare. Ele oferă o defalcare detaliată a predicţiilor modelului faţă de rezultatele reale, contribuind la identificarea zonelor în care modelul realizează bine sau necesită îmbunătăţiri.

Înţelegerea confuziei Matrice

O matrice de confuzie este un tabel care afișează numărul de reale pozitive, fals pozitive, reale negative, și fals negative predicții. Aceste valori ajută la calcularea diferitelor indicatori de performanță, cum ar fi precizie, precizie, rechemare, și scor F1.

Calcularea matricei de confuzie

Pentru a calcula o matrice de confuzie, comparaţi etichetele prevăzute din model cu etichetele reale. Număraţi numărul de cazuri din fiecare categorie:

  • Adevărate pozitive (TP): predicții pozitive corecte
  • Fals pozitiv (FP): predicții pozitive incorecte
  • Adevărate negative (TN): predicții negative corecte
  • Negative false (FN): predicții negative incorecte

Aceste numere sunt apoi organizate într-un format matrice pentru analiză.

Interpretarea rezultatelor

Valorile din matricea de confuzie ajută la evaluarea punctelor forte și a punctelor slabe ale modelului. Valorile mari ale TP și TN indică o bună performanță, în timp ce valorile ridicate ale FP sau FN sugerează domenii de îmbunătățire.

Metrica derivată din matricea de confuzie include:

  • Accuacy: Corectitudinea generală a modelului
  • Precizie: Previziuni pozitive corecte din toate predicțiile pozitive
  • Rechemare: Previziuni pozitive corecte din toate pozitivele reale
  • Scor F1: Media armonică a preciziei și a rechemarii