Confüzyon matrisleri sınıflandırma modellerinin performansını değerlendirmek için kullanılan araçlardır. Modelin gerçek sonuçlara karşı ayrıntılı bir kesinti sağlar, modelin iyi performansları veya geliştirilmesi gereken alanları tanımlamaya yardımcı olur.

Confüzyon Matrices

Gerçek pozitif, yanlış pozitif, gerçek negatif ve yanlış negatif tahminlerin sayılarını gösteren bir karışıklık matrisi.Bu değerler doğruluk, hassasiyet, hatırlama ve F1 puan gibi çeşitli performans ölçümleri hesaplamaya yardımcı olur.

Confüzyon Matrix'i hesaplamak

Bir karışıklık matrisi hesaplamak için, gerçek etiketlerle modelden tahmin edilen etiketler karşılaştırın.Her kategorideki örnekleri sayın:

  • Gerçek Olumlular (TP): Olumlu tahminler
  • Yanlış Olumlular (FP): Yanlış Olumlu Tahminler
  • Gerçek Olumsuzlar (TN): Doğru negatif tahminler
  • Yanlış Olumsuzlar (FN): Yanlış tahminler

Bu sayılar analiz için bir matrix formatına daha sonra düzenlenir.

Sonuçlara yorum yapmak

Komplike matrixteki değerler, modelin güçlü ve zayıf yönlerini değerlendirmeye yardımcı olur. Yüksek TP ve TN değerleri iyi performans gösterirken, yüksek FP veya FN değerleri iyileşme alanları önerir.

karışıklık matrisinden elde edilen değerler şunlardır:

  • [0]) Adaylık:[Dönetici:[Dönetici:0)
  • [FONT:0) Sonuç:[Dönetici:[Döncükler: [Döncükler: [Dönüşükler: [Dönüşükler: [Dönüşükler: [Dönüşükler: 0,4] Tüm olumlu tahminlerin hepsinden olumlu öngörüler doğrulandı
  • [FONT:0)Recall:[Dönem:[Dönem: 0,4] Tüm gerçek olumlu tahminlerin doğrulanması
  • [FONT:0]F1 Puan:[[Dönem:[Dönem: 1] Harmonic hassaslık anlamına gelir ve hatırlayabilirsiniz