Matrici de confuzie
O matrice de confuzie este un tabel simplu care descompune predicțiile unui clasificator în numărătoare corecte și incorecte pentru fiecare clasă.
Prezentare generală
It is the raw scoreboard from which nearly every other classification metric is calculated.
Scufundare în profunzime
O matrice de confuzie este o grilă care compară etichetele prezise cu etichetele reale. Pentru clasificarea binară, are patru celule: Adevărate Pozitive (pozitive corect prezise), Adevărate Negative (negative corect prezise), False Pozitive (negative marcate greșit pozitive, o „eroare de tip I”) și False Negative (pozitive care au fost ratate, o „eroare de tip II”). Din aceste patru numere obțineți precizie ((TP+TN)/total), precizie (TP/(TP+FP)), reamintire sau sensibilitate (TP/(TP+FN)), specificitate (TN/(TN+FP)) și scorul F1 (media armonică a preciziei și a reamintirii). Pentru probleme cu mai mult de două clase, matricea devine N-cu-N, unde diagonala conține predicții corecte și celulele în afara diagonalei dezvăluie exact care clase se confundă cu care altele.
Perspectivă tehnică
Puterea matricei este că păstrează structura erorilor pe care o ascunde un singur număr de precizie. Două modele cu o precizie identică de 90% pot avea rate fals-negative extrem de diferite, ceea ce contează enorm atunci când un diagnostic de cancer ratat costă mai mult decât o alarmă falsă. Prin convenție, rândurile reprezintă adesea clase adevărate și clasele prezise pe coloane (deși unele biblioteci întorc acest lucru), deci verificați întotdeauna etichetele axelor înainte de a calcula precizia față de reamintirea din celule.
Impact strategic
Decizii mai clare
Vă ajută să separați afirmațiile tehnice clare de limbajul de marketing.
Cost și buget
Puteți pune întrebări de implementare mai bune înainte de a cheltui bani sau timp.
Echipa și fluxul de lucru
Echipele cu înțelegere comună iau decizii mai bune despre produse, politici și învățare.
Viitorul matricelor de confuzie
Matricele de confuzie vor rămâne fundamentale, dar instrumentele le fac mai bogate: hărți termice interactive, normalizate, defalcări pe clasă pentru seturi mari de etichete și matrice ponderate cu costuri care înmulțesc fiecare tip de eroare cu penalizarea reală. În auditul de corectitudine, practicienii calculează acum matrici de confuzie separate pentru fiecare subgrup demografic pentru a expune ratele de eroare inegale. Așteptați-vă la continuarea integrării în tablourile de bord ale modelelor, în care clicul pe o celulă afișează exemplele reale clasificate greșit pentru inspecție.
Implementare în lumea reală
Diagnosticarea cazurilor în care un clasificator de imagini eșuează, constatând că confundă frecvent huskiii cu lupii în celulele în afara diagonalei
Auditarea unui instrument de screening medical prin examinarea fals negative - pacienți cu boala pe care modelul a declarat-o sănătos
Compararea a două filtre de spam de e-mail care au aceeași acuratețe, dar diferă în ceea ce privește numărul de e-mailuri reale pe care le blochează în mod greșit (pozitive false)
Evaluarea unui dispozitiv de recunoaștere a cifrelor scrise de mână cu mai multe clase pentru a descoperi că 4 și 9 sunt cel mai adesea confundate unul cu celălalt
Riscuri și balustrade
Echipe diferite pot folosi același termen în mod diferit, așa că definiți domeniul de aplicare din timp.
Benchmark-urile pot părea puternice, în timp ce performanța în lumea reală este neuniformă.
Ignorarea calității datelor și a planurilor de evaluare generează adesea rezultate fragile.
Foaia de parcurs de implementare
Începeți cu o definiție simplă a rezultatului de care aveți nevoie.
Alegeți o măsură de succes și o condiție de eșec înainte de testare.
Rulați un pilot mic cu date reprezentative, nu un set demonstrativ bine definit.
Document unde Matricele de confuzie ajută și unde metodele mai simple sunt mai bune.
Continuați să explorați
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
Următorul ghid
Validare încrucișată
Întrebări frecvente
What is Confusion Matrices?
O matrice de confuzie este un tabel simplu care descompune predicțiile unui clasificator în numărătoare corecte și incorecte pentru fiecare clasă. Este tabloul de bord brut din care se calculează aproape toate celelalte valori de clasificare.
Într-o matrice de confuzie binară, ce este un fals negativ?
Un fals negativ este un pozitiv real pe care modelul l-a ratat etichetându-l negativ - de exemplu, un pacient bolnav declarat sănătos.
Care măsurătoare măsoară proporția de pozitive reale pe care modelul le identifică corect?
Rechemarea (numită și sensibilitate sau rata pozitivă adevărată) este TP / (TP + FN) — ponderea pozitivelor reale pe care modelul le-a capturat.
Într-o matrice de confuzie pentru o problemă cu 5 clase, ce reprezintă celulele diagonale?
Într-o matrice N-cu-N, diagonala deține cazuri în care clasa prezisă se potrivește cu clasa adevărată - adică predicții corecte.
De ce numai acuratețea poate induce în eroare fără o matrice de confuzie?
Două modele cu aceeași precizie își pot distribui erorile foarte diferit; matricea de confuzie expune dacă erorile sunt în mare parte alarme false sau pozitive ratate.
Scorul F1 este media armonică a căror două metrici?
F1 combină precizia și rechemarea într-un singur număr folosind media armonică, ceea ce penalizează dezechilibrele mari între cele două.