Qu'est-ce que la précision dans la matrice de confusion?
Qu'est-ce que la précision dans la matrice de confusion?

Vidéo: Qu'est-ce que la précision dans la matrice de confusion?

Vidéo: Qu'est-ce que la précision dans la matrice de confusion?
Vidéo: Précision, Rappel, F1 score, Accuracy, Matrice de Confusion : Que choisir et quand ? 2024, Novembre
Anonim

UNE matrice de confusion est une technique permettant de résumer les performances d'un algorithme de classification. Classification précision seul peut être trompeur si vous avez un nombre inégal d'observations dans chaque classe ou si vous avez plus de deux classes dans votre ensemble de données.

Justement, comment trouvez-vous l'exactitude d'une matrice de confusion ?

Le meilleur précision est de 1,0, alors que le pire est de 0,0. Il peut également être calculé par 1 – ERR. Précision est calculé comme le nombre total de deux prédictions correctes (TP + TN) divisé par le nombre total d'un ensemble de données (P + N).

On peut également se demander, qu'est-ce que la précision équilibrée dans la matrice de confusion ? Faute de meilleur terme, ce que j'appellerai "régulier" ou "global" précision est calculé comme indiqué à gauche: la proportion d'exemples correctement classés, en comptant les quatre cellules de la matrice de confusion . Précision équilibrée est calculé comme la moyenne des proportions corrigées de chaque classe individuellement.

En gardant cela à l'esprit, que vous dit une matrice de confusion ?

UNE matrice de confusion est un tableau qui est souvent utilisé pour décrire les performances d'un modèle de classification (ou « classificateur ») sur un ensemble de données de test pour lesquelles les vraies valeurs sommes connu. Il permet de visualiser les performances d'un algorithme.

Qu'est-ce que la matrice de confusion de rappel ?

Visualiser la précision et Rappeler Le premier est le matrice de confusion ce qui est utile pour calculer rapidement la précision et rappeler étant donné les étiquettes prédites à partir d'un modèle. UNE matrice de confusion pour la classification binaire montre les quatre résultats différents: vrai positif, faux positif, vrai négatif et faux négatif.

Conseillé: