Förvirringsmatriser är verktyg som används för att utvärdera prestandan hos klassificeringsmodeller. De ger en detaljerad uppdelning av modellens förutsägelser kontra faktiska resultat, vilket hjälper till att identifiera områden där modellen fungerar bra eller behöver förbättras.
Förstå förvirringsmatriser
En förvirring matris är en tabell som visar antalet sanna positiva, falska positiva, sanna negativa och falska negativa förutsägelser. Dessa värden hjälper till att beräkna olika prestanda mätvärden såsom noggrannhet, precision, återkallelse och F1 poäng.
Beräkning av förvirringsmatrisen
För att beräkna en förvirringsmatris jämför du de förutspådda etiketterna från modellen med de faktiska etiketterna. Räkna antalet fall i varje kategori:
- Sanna positiva (TP): Korrekt positiva förutsägelser
- Falska positiva (FP): Felaktiga positiva förutsägelser
- Sanna negativa (TN): Korrekta negativa förutsägelser
- Falska negativa (FN): felaktiga negativa förutsägelser
Dessa räknas sedan organiseras i ett matrisformat för analys.
Tolka resultaten
Värdena i förvirringsmatrisen hjälper till att bedöma modellens styrkor och svagheter. Höga TP- och TN-värden indikerar god prestanda, medan höga FP- eller FN-värden tyder på förbättringsområden.
Metrik som härrör från förvirringsmatrisen inkluderar:
- Noggrannhet:] Övergripande korrekthet i modellen
- ]Precision:] Korrekt positiva förutsägelser ur alla positiva förutsägelser
- ]Recall:] Korrekt positiva förutsägelser av alla faktiska positiva
- ]F1 Score: Harmoniskt medelvärde för precision och återkallelse