Förvirringsmatriser
En förvirringsmatris är en enkel tabell som delar upp en klassificerares förutsägelser i korrekta och felaktiga räkningar för varje klass.
Översikt
It is the raw scoreboard from which nearly every other classification metric is calculated.
Djupdykning
En förvirringsmatris är ett rutnät som jämför förutspådda etiketter med faktiska etiketter. För binär klassificering har den fyra celler: Sanna positiva (korrekt förutsagda positiva), Sanna negativa (korrekt förutsagda negativa), Falskt positiva (negativa felaktigt flaggade positiva, ett "Typ I-fel") och Falska negativa (positiva som missades, ett "Typ II-fel"). Från dessa fyra siffror härleder du noggrannhet ((TP+TN)/total), precision (TP/(TP+FP)), återkallande eller känslighet (TP/(TP+FN)), specificitet (TN/(TN+FP)) och F1-poängen (det harmoniska medelvärdet av precision och återkallelse). För problem med fler än två klasser blir matrisen N-för-N, där diagonalen håller korrekta förutsägelser och off-diagonala celler avslöjar exakt vilka klasser som blir förvirrade för vilka andra.
Teknisk insikt
Matrisens kraft är att den bevarar strukturen av fel som ett enda noggrannhetstal döljer. Två modeller med identisk 90% noggrannhet kan ha väldigt olika falsk-negativa frekvenser, vilket är enormt viktigt när en missad cancerdiagnos kostar mer än ett falskt larm. Enligt konvention representerar rader ofta sanna klasser och kolumner förutsagda klasser (även om vissa bibliotek vänder på detta), så kontrollera alltid axeletiketterna innan beräkningsprecision kontra återkallelse från cellerna.
Strategisk inverkan
Clearer decisions
Det hjälper dig att skilja tydliga tekniska påståenden från marknadsföringsspråk.
Cost and budget
Du kan ställa bättre implementeringsfrågor innan du spenderar pengar eller tid.
Team and workflow
Team med delad förståelse fattar bättre beslut om produkt, policy och lärande.
Förvirringsmatrisernas framtid
Förvirringsmatriser kommer att förbli grundläggande, men verktyg gör dem rikare: interaktiva, normaliserade värmekartor, uppdelningar per klass för stora etikettuppsättningar och kostnadsviktade matriser som multiplicerar varje feltyp med dess verkliga straff. Vid rättvisa granskning beräknar utövare nu separata förvirringsmatriser per demografisk undergrupp för att avslöja ojämna felfrekvenser. Förvänta dig fortsatt integrering i modellinstrumentpaneler där ett klickande på en cell visar de faktiska felklassificerade exemplen för inspektion.
Real-World Implementation
Diagnostisera där en bildklassificerare misslyckas genom att se att den ofta förväxlar huskies med vargar i de off-diagonala cellerna
Granska ett medicinskt screeningverktyg genom att undersöka falska negativa - patienter med sjukdomen som modellen förklarade friska
Jämföra två spamfilter för e-post som delar samma noggrannhet men skiljer sig i hur många riktiga e-postmeddelanden de felaktigt blockerar (falskt positiva resultat)
Utvärdera en flerklassig handskriven siffror igen för att upptäcka att 4:or och 9:or oftast misstas för varandra
Risker & skyddsräcken
Olika team kan använda samma term på olika sätt, så definiera omfattning tidigt.
Benchmarks kan se starka ut medan den verkliga prestandan är ojämn.
Att ignorera datakvalitet och utvärderingsplaner skapar ofta bräckliga resultat.
Färdplan för genomförande
Börja med en klarspråklig definition av resultatet du behöver.
Välj ett framgångsmått och ett feltillstånd innan du testar.
Kör en liten pilot med representativ data, inte en polerad demouppsättning.
Dokumentera var Confusion Matrices hjälper och var enklare metoder är bättre.
Fortsätt utforska
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
Next guide
Korsvalidering
Frequently asked questions
What is Confusion Matrices?
En förvirringsmatris är en enkel tabell som delar upp en klassificerares förutsägelser i korrekta och felaktiga räkningar för varje klass. Det är den råa resultattavlan från vilken nästan alla andra klassificeringsmått beräknas.
Vad är ett falskt negativt i en binär förvirringsmatris?
Ett falskt negativt är ett verkligt positivt som modellen missade genom att märka det negativt - till exempel en sjuk patient som förklarats frisk.
Vilket mått mäter andelen faktiska positiva som modellen identifierar korrekt?
Recall (även kallad känslighet eller den sanna positiva frekvensen) är TP / (TP + FN) — andelen verkliga positiva som modellen fångade.
Vad representerar diagonalcellerna i en förvirringsmatris för ett problem med 5 klasser?
I en N-för-N-matris innehåller diagonalen fall där den förutsagda klassen matchar den sanna klassen - dvs korrekta förutsägelser.
Varför kan bara noggrannhet vara vilseledande utan en förvirringsmatris?
Två modeller med samma noggrannhet kan fördela sina fel väldigt olika; the confusion matrix exposes whether errors are mostly false alarms or missed positives.
F1-poängen är det harmoniska medelvärdet av vilka två mått?
F1 kombinerar precision och återkallning till ett tal med hjälp av det harmoniska medelvärdet, vilket straffar stora obalanser mellan de två.