Основы машинного обучения: матрица путаницы
Что такое матрица путаницы?
Матрица путаницы — это понимание результата машинного обучения. Он визуализирует результат машинного обучения и представляет результат в табличном формате. Он представляет, какие все предсказанные значения верны, а какие все предсказанные значения ошибочны.
Почему матрица путаницы?
В моделях классификации высока вероятность того, что модель не идеальна. Результат может определенно сказать об общих ошибках в модели, но отдельный экземпляр для того же самого невозможен. Чтобы преодолеть, мы используем матрицу путаницы. Каждая строка в матрице путаницы представляет собой реальный объект, а каждый столбец представляет собой предсказанный объект.
TP: True Positive: предсказание верно.
FN: ложноотрицательный результат: прогноз верен.
FP: Ложноположительный: Прогноз неверен.
TN: True Negative: предсказание неверно.
Давайте разберемся на примере кошки и птицы.
Истинный положительный результат:
Вы предсказали кошку, и это на самом деле кошка.
Верно отрицательный:
Вы предсказали, что это не кошка, и это на самом деле не кошка.
Ложное срабатывание: (ошибка типа 1)
Вы предсказали, что птица — это кошка, но это не кошка.
Ложноотрицательный результат: (ошибка типа 2)
Вы предсказали, что кошка — это птица, а на самом деле это кошка.
Рассчитать матрицу путаницы для классификации двух объектов
- Точность: Часть правильно классифицированных значений. Это сумма всех истинных значений, деленная на общие значения.
(TP + TN)/(TN+TP+FP+FN)
2. Точность: используется для расчета способности модели правильно классифицировать положительные значения.
Это истинное положительное, разделенное на все положительное.
(TP)/(TP+FP)
3. Вспомните: рассчитайте способность модели предсказывать положительные значения.
Это истинное положительное значение, деленное на фактическое количество положительных значений.
TP/(TP+FN)
4. Счет F1: он используется, когда мы хотим принять во внимание как точность, так и аккуратность.
(2*точность*отзыв)/(точность+отзыв)
Обычно мы сталкиваемся с матрицей путаницы, оценкой F1, но мы не знаем подробно, почему мы ее используем или как были получены эти оценки. Это небольшое усилие, чтобы решить эти запросы. Если вы найдете это важным, пожалуйста, похлопайте мне. Вы можете связаться со мной в LinkedIn.
Linkedin: https://www.linkedin.com/in/aditya-kumar-2a4445b6/
