Matriks Kekeliruan
Matriks kekeliruan ialah jadual ringkas yang memecahkan ramalan pengelas kepada kiraan yang betul dan salah untuk setiap kelas.
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.
Wawasan Teknikal
Kuasa matriks ialah ia mengekalkan struktur ralat yang disembunyikan oleh nombor ketepatan tunggal. Dua model dengan ketepatan 90% yang sama boleh mempunyai kadar negatif palsu yang sangat berbeza, yang amat penting apabila diagnosis kanser yang terlepas menelan kos lebih daripada penggera palsu. Mengikut baris konvensyen selalunya mewakili kelas sebenar dan lajur kelas yang diramalkan (walaupun sesetengah pustaka membalikkannya), jadi sentiasa semak label paksi sebelum mengira ketepatan berbanding mengingat semula daripada sel.
Kesan Strategik
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.
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.
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
Risiko & Pengawal
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.
Hala Tuju Pelaksanaan
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
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Confusion Matrices quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Panduan seterusnya
Pengesahan Silang
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.