Die Beziehung zwischen Verwirrungsmatrix und Präzision, Rückruf, Genauigkeit und F-Maß

Die Verwirrungsmatrix ist ein leistungsstarkes prädiktives Analysetool im maschinellen Lernen, das verwendet wird, um die Anzahl richtiger und falscher Vorhersagen eines Klassifikators in einer binären Klassifizierungsaufgabe zusammenzufassen.

Einfach ausgedrückt: „Die Verwirrungsmatrix ist ein Leistungsmaß für maschinelle Lernalgorithmen.“

Durch die Visualisierung der Verwirrungsmatrix können wir die Diagonalwerte beobachten, um die Modellgenauigkeit zu bestimmen und die Anzahl der genauen Klassifizierungen zu bewerten.

Wenn Sie die Struktur der Matrix berücksichtigen, ist die Größe der Matrix proportional zur Anzahl der Ausgabeklassen.

Die Verwirrungsmatrix liegt in Matrixform vor, wobei die Spalten die vorhergesagten Werte und die Zeilen die tatsächlichen Werte darstellen und die Vorhersageergebnisse des Klassifizierungsmodells zusammenfassen.

Die Messung der Verwirrungsmatrix hilft bei der Bewertung der Genauigkeit und Fehlertypen eines Klassifizierungsmodells.

Vorteile der Verwirrungsmatrix

1. Geben Sie Informationen über die vom Klassifikator gemachten Fehler und die Art der gemachten Fehler an.

2. Denken Sie darüber nach, wie verwirrend das Klassifizierungsmodell ist, wenn Sie Vorhersagen treffen.

3. Hilft, die Einschränkungen der Klassifizierungsgenauigkeit einzelner Bereitstellungen zu überwinden.

4. Die Verwirrungsmatrix eignet sich sehr gut zur Berechnung von Rückruf-, Präzisions-, Genauigkeits- und AUC-ROC-Kurven.

Präzision, Rückruf, Genauigkeit und F-Maß in der Verwirrungsmatrix

1 Präzision: Präzision erklärt, wie viele richtig vorhergesagte Werte tatsächlich positiv sind. Oder einfacher ausgedrückt: Es gibt die Anzahl der korrekten Ausgaben an, die das Modell unter allen korrekt vorhergesagten positiven Werten liefert.

Es bestimmt, ob das Modell zuverlässig ist, und die Formel zur Berechnung der Genauigkeit lautet TP/(TP+FP).

2. Recall: Recall beschreibt die Anzahl der tatsächlichen positiven Werte, die vom Modell korrekt vorhergesagt wurden. Die Formel zur Berechnung der Rückrufrate lautet TP/(TP+FN).

Erhöhte Präzision verringert den Rückruf und umgekehrt, dies wird als Präzisions-/Rückruf-Kompromiss bezeichnet.

3. Genauigkeit: Dies ist einer der wichtigen Parameter zur Bestimmung der Genauigkeit eines Klassifizierungsproblems. Sie erklärt, wie oft das Modell die richtige Ausgabe vorhersagt und die Anzahl der korrekten Vorhersagen für den Klassifikator im Vergleich zu denen des Klassifikators messen kann . Das Verhältnis der prognostizierten Summen. Klassifikator. Die Formel lautet:

Präzision: (TP+TN)/(TP+TN+FP+FN)

4: Für den Fall, dass zwei Modelle eine geringe Präzision und einen hohen Rückruf haben, Es ist sehr einfach, diese Modelle zu vergleichen. Um dieses Problem zu lösen, können wir den F-Score einsetzen. Der F-Score ist das harmonische Mittel für Präzision und Erinnerung.

Durch die Berechnung des F-Scores können wir Erinnerung und Präzision gleichzeitig bewerten. Wenn außerdem Rückruf gleich Präzision ist, ist der F-Score maximal und kann mit der folgenden Formel berechnet werden: F-Maß = (2*Rückruf*Präzision)/ (Rückruf + Präzision)

Das obige ist der detaillierte Inhalt vonDie Beziehung zwischen Verwirrungsmatrix und Präzision, Rückruf, Genauigkeit und F-Maß. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!