Mai departeUrmătorul ghid
Validare încrucișată
Fundamentele
GHID de fundamente
Matrici de confuzie
O matrice de confuzie este un tabel simplu care descompune predicțiile unui clasificator în numărătoare corecte și incorecte pentru fiecare clasă.
Ascultă acest ghidNarativ AI · ~2 min
Pe această pagină2 minute de lectură
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.
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
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.
Punând-o în practică
De ce contează
- 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.
Atenție la
- 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.
Următorii pași
- 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
Buletin gratuit
Primește briefingul zilnic AI
Trei povești AI verificate în fiecare dimineață de zi lucrătoare, scrise în engleză simplă. Gratuit pentru totdeauna, fără reclame.
Un e-mail în fiecare zi lucrătoare. Dezabonare cu un singur clic. Nu vindem niciodată și nu împărtășim adresa ta.
Testează-te
Take the Confusion Matrices quiz
Feedback instantaneu la fiecare răspuns și un certificat partajabil cu un ID verificabil după ce parcurgi un curs.
Susține educația AI gratuită. AI Understanding este o organizație nonprofit 501(c)(3) — fără reclame, fără barieră de plată, pentru totdeauna. Fă o donație
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.
Continuați să învățați
Ghiduri conexe
Mai multe ghiduri alese pentru acest subiect