Il prossimoProssima guida
Convalida incrociata
Fondamenti
GUIDA AI FONDAMENTALI
Una matrice di confusione è una semplice tabella che suddivide le previsioni di un classificatore in conteggi corretti e errati per ciascuna classe.
Ascolta questa guidaNarrato dall'IA · ~2 min
È il quadro di valutazione grezzo da cui vengono calcolati quasi tutti gli altri parametri di classificazione.
Una matrice di confusione è una griglia che confronta le etichette previste con le etichette effettive. Per la classificazione binaria ha quattro celle: Veri positivi (positivo previsto correttamente), Veri negativi (negativo previsto correttamente), Falsi positivi (negativi erroneamente contrassegnati come positivi, un "errore di tipo I") e falsi negativi (positivi mancati, un "errore di tipo II"). Da questi quattro numeri si ricavano accuratezza ((TP+TN)/totale), precisione (TP/(TP+FP)), richiamo o sensibilità (TP/(TP+FN)), specificità (TN/(TN+FP)) e punteggio F1 (la media armonica di precisione e richiamo). Per problemi con più di due classi, la matrice diventa N per N, dove la diagonale contiene previsioni corrette e le celle fuori diagonale rivelano esattamente quali classi vengono confuse con quali altre.
Diagnosticare dove un classificatore di immagini fallisce vedendo che spesso confonde gli husky con i lupi nelle celle fuori diagonale
Verifica di uno strumento di screening medico esaminando i falsi negativi: pazienti affetti dalla malattia dichiarata sana dal modello
Confronto di due filtri antispam per e-mail che condividono la stessa precisione ma differiscono per il numero di e-mail reali che bloccano erroneamente (falsi positivi)
Valutazione di un riconoscitore di cifre scritte a mano multiclasse per scoprire che i 4 e i 9 vengono spesso scambiati l'uno per l'altro
Le matrici di confusione rimarranno fondamentali, ma gli strumenti le stanno rendendo più ricche: mappe di calore interattive e normalizzate, suddivisioni per classe per set di etichette di grandi dimensioni e matrici ponderate in base ai costi che moltiplicano ciascun tipo di errore per la sua penalità nel mondo reale. Nel controllo dell’equità, i professionisti ora calcolano matrici di confusione separate per sottogruppo demografico per evidenziare tassi di errore disuguali. Aspettatevi un'integrazione continua nei dashboard dei modelli in cui facendo clic su una cella vengono visualizzati gli esempi effettivamente classificati erroneamente per l'ispezione.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
Una matrice di confusione è una semplice tabella che suddivide le previsioni di un classificatore in conteggi corretti e errati per ciascuna classe. È il quadro di valutazione grezzo da cui vengono calcolati quasi tutti gli altri parametri di classificazione.
Un falso negativo è un positivo effettivo che il modello non ha notato etichettandolo come negativo, ad esempio un paziente malato dichiarato sano.
Il richiamo (chiamato anche sensibilità o tasso di veri positivi) è TP / (TP + FN): la quota di positivi reali rilevati dal modello.
In una matrice N per N la diagonale contiene i casi in cui la classe prevista corrisponde alla classe vera, ovvero previsioni corrette.
Due modelli con la stessa accuratezza possono distribuire i propri errori in modo molto diverso; la matrice di confusione rivela se gli errori sono per lo più falsi allarmi o positivi mancati.
F1 unisce precisione e richiamo in un unico numero utilizzando la media armonica, che penalizza i grandi squilibri tra i due.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Convalida incrociata
Fondamenti