PANDUAN Asas
Matriks Kekeliruan
Matriks kekeliruan ialah jadual ringkas yang memecahkan ramalan pengelas kepada kiraan yang betul dan salah untuk setiap kelas.
Dengar panduan iniAI-diceritakan · ~2 min
Pada halaman ini2 min dibaca
Gambaran keseluruhan
It is the raw scoreboard from which nearly every other classification metric is calculated.
Menyelam dalam
Matriks kekeliruan ialah grid membandingkan label yang diramalkan dengan label sebenar. Untuk klasifikasi binari ia mempunyai empat sel: Positif Benar (positif yang diramalkan dengan betul), Negatif Benar (negatif diramal dengan betul), Positif Palsu (negatif tersalah tanda positif, 'Ralat Jenis I'), dan Negatif Palsu (positif yang terlepas, 'ralat Jenis II'). Daripada empat nombor ini anda memperoleh ketepatan ((TP+TN)/jumlah), ketepatan (TP/(TP+FP)), ingatan semula atau kepekaan (TP/(TP+FN)), kekhususan (TN/(TN+FP)) dan skor F1 (min harmonik ketepatan dan ingatan semula). Untuk masalah dengan lebih daripada dua kelas, matriks menjadi N-oleh-N, di mana pepenjuru memegang ramalan yang betul dan sel luar pepenjuru mendedahkan dengan tepat kelas mana yang keliru untuk kelas yang lain.
Pelaksanaan Dunia Sebenar
Mendiagnosis di mana pengelas imej gagal dengan melihat bahawa ia sering mengelirukan huskies dengan serigala dalam sel luar pepenjuru
Mengaudit alat pemeriksaan perubatan dengan memeriksa negatif palsu — pesakit dengan penyakit yang diisytiharkan sihat oleh model itu
Membandingkan dua penapis spam e-mel yang berkongsi ketepatan yang sama tetapi berbeza dalam bilangan e-mel sebenar yang mereka salah sekat (positif palsu)
Menilai pengecam digit tulisan tangan berbilang kelas untuk mendapati bahawa 4s dan 9s paling kerap disalah anggap antara satu sama lain
Masa Depan Matriks Kekeliruan
Matriks kekeliruan akan kekal asas, tetapi perkakas menjadikannya lebih kaya: interaktif, peta haba ternormal, pecahan setiap kelas untuk set label besar dan matriks berwajaran kos yang mendarabkan setiap jenis ralat dengan penalti dunia sebenar. Dalam pengauditan adil, pengamal kini mengira matriks kekeliruan berasingan bagi setiap subkumpulan demografi untuk mendedahkan kadar ralat yang tidak sama rata. Jangkakan penyepaduan berterusan ke dalam papan pemuka model di mana mengklik sel memaparkan contoh salah klasifikasi sebenar untuk pemeriksaan.
Mempraktikkannya
Mengapa ia penting
- Keputusan yang lebih jelas. Ia membantu anda memisahkan tuntutan teknikal yang jelas daripada bahasa pemasaran.
- Kos dan bajet. Anda boleh bertanya soalan pelaksanaan yang lebih baik sebelum menghabiskan wang atau masa.
- Pasukan dan aliran kerja. Pasukan yang berkongsi pemahaman membuat keputusan produk, dasar dan pembelajaran yang lebih baik.
Berhati-hati untuk
- Pasukan yang berbeza mungkin menggunakan istilah yang sama secara berbeza, jadi tentukan skop lebih awal.
- Penanda aras boleh kelihatan kukuh manakala prestasi dunia sebenar tidak sekata.
- Mengabaikan kualiti data dan rancangan penilaian sering menghasilkan hasil yang rapuh.
Langkah seterusnya
- Mulakan dengan definisi bahasa biasa hasil yang anda perlukan.
- Pilih satu metrik kejayaan dan satu keadaan kegagalan sebelum ujian.
- Jalankan juruterbang kecil dengan data perwakilan, bukan set demo yang digilap.
- Dokumen di mana Matriks Kekeliruan membantu dan kaedah yang lebih mudah adalah lebih baik.
Teruskan Meneroka
Newsletter percuma
Dapatkan taklimat AI harian
Tiga cerita AI yang disahkan setiap pagi hari bekerja, ditulis dalam Bahasa Inggeris biasa. Percuma selamanya, tiada iklan.
Satu e-mel setiap hari bekerja. Berhenti melanggan dalam satu klik. Kami tidak pernah menjual atau berkongsi alamat anda.
Uji diri anda
Take the Confusion Matrices quiz
Maklum balas segera pada setiap jawapan, dan sijil yang boleh dikongsi dengan ID yang boleh disahkan sebaik sahaja anda lulus kursus.
Sokong pendidikan AI percuma. AI Understanding ialah pertubuhan bukan keuntungan 501(c)(3) — tiada iklan, tiada bayaran dinding, selamanya. Buat derma
Soalan lazim
What is Confusion Matrices?
Matriks kekeliruan ialah jadual ringkas yang memecahkan ramalan pengelas kepada kiraan yang betul dan salah untuk setiap kelas. Ia adalah papan mata mentah yang mana hampir setiap metrik pengelasan lain dikira.
Dalam matriks kekeliruan binari, apakah itu Negatif Palsu?
Negatif Palsu ialah positif sebenar yang model terlepas dengan melabelkannya negatif — contohnya, pesakit yang sakit diisytiharkan sihat.
Metrik yang manakah mengukur perkadaran positif sebenar yang dikenal pasti oleh model dengan betul?
Ingat (juga dipanggil kepekaan atau kadar positif sebenar) ialah TP / (TP + FN) — bahagian positif sebenar model ditangkap.
Dalam matriks kekeliruan untuk masalah dengan 5 kelas, apakah yang diwakili oleh sel pepenjuru?
Dalam matriks N-oleh-N pepenjuru memegang kes di mana kelas yang diramalkan sepadan dengan kelas sebenar — iaitu, ramalan yang betul.
Mengapakah ketepatan sahaja boleh mengelirukan tanpa matriks kekeliruan?
Dua model dengan ketepatan yang sama boleh mengedarkan ralat mereka dengan sangat berbeza; matriks kekeliruan mendedahkan sama ada ralat kebanyakannya penggera palsu atau positif terlepas.
Skor F1 ialah min harmonik yang manakah dua metrik?
F1 menggabungkan ketepatan dan mengingat kembali ke dalam satu nombor menggunakan min harmonik, yang menghukum ketidakseimbangan besar antara kedua-duanya.
Teruskan belajar
Panduan berkaitan
Lebih banyak panduan dipilih untuk topik ini