Basisprincipes GIDS

Verwarringsmatrixen

Een verwarringsmatrix is een eenvoudige tabel die de voorspellingen van een classificator opsplitst in correcte en incorrecte aantallen voor elke klasse.

Luister naar deze gidsAI-verteld · ~2 min

Op deze pagina2 min lezen
  1. Overzicht
  2. Diepe duik
  3. Implementatie in de echte wereld
  4. De toekomst van verwarringsmatrices
  5. Het in de praktijk brengen
  6. Blijf verkennen
  7. Veelgestelde vragen

Overzicht

It is the raw scoreboard from which nearly every other classification metric is calculated.

Diepe duik

Een verwarringsmatrix is ​​een raster dat voorspelde labels vergelijkt met werkelijke labels. Voor binaire classificatie heeft het vier cellen: True Positives (correct voorspeld positief), True Negatives (correct voorspeld negatief), False Positives (negatieven ten onrechte gemarkeerd als positief, een 'Type I-fout') en False Negatives (positieven die zijn gemist, een 'Type II-fout'). Uit deze vier getallen leid je nauwkeurigheid ((TP+TN)/totaal), precisie (TP/(TP+FP)), herinnering of gevoeligheid (TP/(TP+FN)), specificiteit (TN/(TN+FP)) en de F1-score (het harmonische gemiddelde van precisie en herinnering) af. Voor problemen met meer dan twee klassen wordt de matrix N-voor-N, waarbij de diagonaal de juiste voorspellingen bevat en cellen buiten de diagonaal precies onthullen welke klassen door elkaar worden gehaald.

Implementatie in de echte wereld

Diagnose stellen waar een beeldclassificator faalt door te zien dat huskies vaak worden verward met wolven in de niet-diagonale cellen

Het controleren van een medisch screeningsinstrument door vals-negatieven te onderzoeken: patiënten met de ziekte die volgens het model gezond verklaarden

Vergelijking van twee e-mailspamfilters die dezelfde nauwkeurigheid delen, maar verschillen in het aantal echte e-mails dat ze ten onrechte blokkeren (false positives)

Evaluatie van een handgeschreven cijferherkenner met meerdere klassen om te ontdekken dat 4s en 9s het vaakst voor elkaar worden aangezien

De toekomst van verwarringsmatrices

Verwarringsmatrices zullen fundamenteel blijven, maar tooling maakt ze rijker: interactieve, genormaliseerde heatmaps, uitsplitsingen per klasse voor grote labelsets, en kostengewogen matrices die elk fouttype vermenigvuldigen met de reële straf. Bij eerlijkheidsaudit berekenen beoefenaars nu afzonderlijke verwarringsmatrices per demografische subgroep om ongelijke foutenpercentages bloot te leggen. Verwacht een voortdurende integratie in modeldashboards, waar het klikken op een cel de feitelijk verkeerd geclassificeerde voorbeelden ter inspectie oplevert.

Het in de praktijk brengen

Waarom het ertoe doet

  • Duidelijkere beslissingen. Het helpt u duidelijke technische claims te scheiden van marketingtaal.
  • Kosten en budget. U kunt betere implementatievragen stellen voordat u geld of tijd uitgeeft.
  • Team en workflow. Teams met gedeeld begrip nemen betere product-, beleids- en leerbeslissingen.

Pas op voor

  • Verschillende teams kunnen dezelfde term verschillend gebruiken, dus definieer de reikwijdte vroeg.
  • Benchmarks kunnen er sterk uitzien, terwijl de prestaties in de echte wereld ongelijkmatig zijn.
  • Het negeren van datakwaliteit en evaluatieplannen zorgt vaak voor fragiele resultaten.

Volgende stappen

  1. Begin met een definitie in duidelijke taal van het gewenste resultaat.
  2. Kies één successtatistiek en één faalconditie voordat u gaat testen.
  3. Voer een kleine pilot uit met representatieve gegevens, niet met een gepolijste demoset.
  4. Documenteer waar Confusion Matrices helpt en waar eenvoudigere methoden beter zijn.

Blijf verkennen

Gratis nieuwsbrief

Ontvang de dagelijkse AI-briefing

Drie verifieerde AI-verhalen elke weekdagmorgen, geschreven in eenvoudig Engels. Gratis voor altijd, geen advertenties.

Eén e-mail elke weekdag. Afmelden met één klik. We verkopen of delen je adres nooit.

Test jezelf

Take the Confusion Matrices quiz

Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.

Quiz starten

Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie

Veelgestelde vragen

What is Confusion Matrices?

Een verwarringsmatrix is een eenvoudige tabel die de voorspellingen van een classificator opsplitst in correcte en incorrecte aantallen voor elke klasse. Het is het ruwe scorebord waaruit bijna elke andere classificatiemetriek wordt berekend.

Wat is een fout-negatief in een binaire verwarringsmatrix?

Een fout-negatief is een feitelijk positief resultaat dat het model over het hoofd heeft gezien door het als negatief te bestempelen, bijvoorbeeld een zieke patiënt die gezond is verklaard.

Welke maatstaf meet het aandeel werkelijke positieve resultaten dat het model correct identificeert?

Recall (ook wel gevoeligheid of het werkelijk positieve percentage genoemd) is TP / (TP + FN) — het aandeel echte positieven dat het model heeft opgevangen.

Wat vertegenwoordigen de diagonale cellen in een verwarringsmatrix voor een probleem met 5 klassen?

In een N-bij-N-matrix bevat de diagonaal gevallen waarin de voorspelde klasse overeenkomt met de ware klasse, dat wil zeggen correcte voorspellingen.

Waarom kan nauwkeurigheid alleen misleidend zijn zonder een verwarringsmatrix?

Twee modellen met dezelfde nauwkeurigheid kunnen hun fouten heel anders verdelen; de verwarringsmatrix laat zien of fouten meestal valse alarmen of gemiste positieven zijn.

Van welke twee maatstaven is de F1-score het harmonische gemiddelde?

F1 combineert precisie en herinnering in één getal met behulp van het harmonische gemiddelde, wat grote onevenwichtigheden tussen de twee bestraft.