คู่มือพื้นฐาน

เมทริกซ์ความสับสน

เมทริกซ์ความสับสนเป็นตารางง่ายๆ ที่แบ่งการทำนายของตัวแยกประเภทออกเป็นจำนวนที่ถูกต้องและไม่ถูกต้องสำหรับแต่ละคลาส

ฟังคำแนะนำนี้บรรยายโดย AI · ~2 min

บนหน้านี้อ่าน 2 นาที
  1. ภาพรวม
  2. เจาะลึก
  3. การใช้งานจริงในโลกแห่งความเป็นจริง
  4. อนาคตของเมทริกซ์ความสับสน
  5. การนำไปปฏิบัติ
  6. สำรวจต่อไป
  7. คำถามที่พบบ่อย

ภาพรวม

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

เจาะลึก

เมทริกซ์ความสับสนคือตารางเปรียบเทียบป้ายกำกับที่คาดการณ์กับป้ายกำกับจริง สำหรับการจำแนกประเภทไบนารี่ จะมีสี่เซลล์ ได้แก่ True Positive (ผลบวกที่คาดการณ์ไว้อย่างถูกต้อง), True Negatives (ผลลบที่คาดการณ์อย่างถูกต้อง), ผลบวกลวง (ค่าลบติดธงเชิงบวกอย่างไม่ถูกต้อง, 'ข้อผิดพลาดประเภท I') และค่าลบเท็จ (ผลบวกที่พลาดไป, 'ข้อผิดพลาดประเภท II') จากตัวเลขสี่ตัวนี้ คุณจะได้ค่าความแม่นยำ ((TP+TN)/ทั้งหมด) ความแม่นยำ (TP/(TP+FP)) การเรียกคืนหรือความไว (TP/(TP+FN)) ความเฉพาะเจาะจง (TN/(TN+FP)) และคะแนน F1 (ค่าเฉลี่ยฮาร์มอนิกของความแม่นยำและการเรียกคืน) สำหรับปัญหาที่มีมากกว่าสองคลาส เมทริกซ์จะกลายเป็น N-by-N โดยที่เส้นทแยงมุมมีการคาดการณ์ที่ถูกต้อง และเซลล์ที่อยู่นอกแนวทแยงจะเผยให้เห็นอย่างชัดเจนว่าคลาสใดสับสนกับคลาสอื่น

การใช้งานจริงในโลกแห่งความเป็นจริง

การวินิจฉัยว่าตัวแยกประเภทรูปภาพล้มเหลวโดยเห็นว่าบ่อยครั้งที่ฮัสกี้สับสนกับหมาป่าในเซลล์นอกแนวทแยง

การตรวจสอบเครื่องมือคัดกรองทางการแพทย์โดยการตรวจผลลบลวง — ผู้ป่วยที่เป็นโรคตามแบบจำลองที่ประกาศว่ามีสุขภาพดี

การเปรียบเทียบตัวกรองสแปมอีเมลสองตัวที่มีความแม่นยำเท่ากัน แต่ต่างกันตรงจำนวนอีเมลจริงที่บล็อกไม่ถูกต้อง (ผลบวกลวง)

การประเมินตัวจดจำตัวเลขที่เขียนด้วยลายมือแบบหลายคลาส เพื่อค้นหาว่าเลข 4 และ 9 มักเข้าใจผิดกัน

อนาคตของเมทริกซ์ความสับสน

เมทริกซ์ความสับสนจะยังคงเป็นพื้นฐาน แต่เครื่องมือกำลังทำให้พวกมันสมบูรณ์ยิ่งขึ้น: แผนที่ความร้อนแบบโต้ตอบที่เป็นมาตรฐาน การแยกย่อยตามคลาสสำหรับชุดป้ายกำกับขนาดใหญ่ และเมทริกซ์ที่ถ่วงน้ำหนักด้วยต้นทุนซึ่งจะคูณข้อผิดพลาดแต่ละประเภทด้วยบทลงโทษในโลกแห่งความเป็นจริง ในการตรวจสอบความเป็นธรรม ขณะนี้ผู้ปฏิบัติงานจะคำนวณเมทริกซ์ความสับสนแยกกันตามกลุ่มย่อยทางประชากรศาสตร์ เพื่อแสดงอัตราข้อผิดพลาดที่ไม่เท่ากัน คาดว่าจะมีการบูรณาการอย่างต่อเนื่องในแดชบอร์ดโมเดล โดยที่การคลิกเซลล์จะทำให้เห็นตัวอย่างที่จัดประเภทผิดจริงสำหรับการตรวจสอบ

การนำไปปฏิบัติ

ทำไมมันถึงสำคัญ

  • การตัดสินใจที่ชัดเจนยิ่งขึ้น. ช่วยให้คุณแยกคำกล่าวอ้างทางเทคนิคที่ชัดเจนออกจากภาษาทางการตลาดได้
  • ต้นทุนและงบประมาณ. คุณสามารถถามคำถามการใช้งานที่ดีขึ้นก่อนที่จะใช้เงินหรือเวลา
  • ทีมงานและขั้นตอนการทำงาน. ทีมที่มีความเข้าใจร่วมกันจะตัดสินใจเกี่ยวกับผลิตภัณฑ์ นโยบาย และการเรียนรู้ได้ดีขึ้น

ระวัง

  • แต่ละทีมอาจใช้คำเดียวกันต่างกัน ดังนั้นควรกำหนดขอบเขตตั้งแต่เนิ่นๆ
  • เกณฑ์มาตรฐานอาจดูแข็งแกร่งในขณะที่ประสิทธิภาพในโลกแห่งความเป็นจริงไม่เท่ากัน
  • การเพิกเฉยต่อคุณภาพข้อมูลและแผนการประเมินมักสร้างผลลัพธ์ที่เปราะบาง

ขั้นตอนต่อไป

  1. เริ่มต้นด้วยคำจำกัดความภาษาธรรมดาของผลลัพธ์ที่คุณต้องการ
  2. เลือกเมตริกวัดความสำเร็จหนึ่งรายการและเงื่อนไขความล้มเหลวหนึ่งรายการก่อนการทดสอบ
  3. ดำเนินการนำร่องขนาดเล็กด้วยข้อมูลตัวแทน ไม่ใช่ชุดสาธิตที่สวยงาม
  4. เอกสารที่เมทริกซ์ความสับสนช่วยได้ และวิธีที่ง่ายกว่าจะดีกว่า

สำรวจต่อไป

จดหมายข่าวฟรี

รับสรุป AI รายวัน

เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา

อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ

ทดสอบตัวเอง

Take the Confusion Matrices quiz

ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร

เริ่มแบบทดสอบ

สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค

คำถามที่พบบ่อย

What is Confusion Matrices?

เมทริกซ์ความสับสนเป็นตารางง่ายๆ ที่แบ่งการทำนายของตัวแยกประเภทออกเป็นจำนวนที่ถูกต้องและไม่ถูกต้องสำหรับแต่ละคลาส เป็นกระดานคะแนนดิบที่ใช้คำนวณเมตริกการจำแนกประเภทอื่นๆ เกือบทุกรายการ

ในเมทริกซ์ความสับสนแบบไบนารี อะไรคือค่าลบลวง?

ผลลบลวงเป็นผลบวกจริงที่แบบจำลองพลาดไปโดยการติดป้ายกำกับว่าเป็นลบ ตัวอย่างเช่น ผู้ป่วยที่ประกาศว่ามีสุขภาพดี

ตัวชี้วัดใดวัดสัดส่วนของผลบวกจริงที่แบบจำลองระบุได้ถูกต้อง

การเรียกคืน (เรียกอีกอย่างว่าความไวหรืออัตราบวกที่แท้จริง) คือ TP / (TP + FN) - ส่วนแบ่งของผลบวกจริงที่แบบจำลองจับได้

ในเมทริกซ์ความสับสนสำหรับปัญหาที่มี 5 คลาส เซลล์แนวทแยงแสดงถึงอะไร

ในเมทริกซ์แบบ N-by-N เส้นทแยงมุมจะถือเป็นกรณีที่คลาสที่ทำนายตรงกับคลาสที่แท้จริง กล่าวคือ การทำนายที่ถูกต้อง

เหตุใดความแม่นยำเพียงอย่างเดียวจึงทำให้เข้าใจผิดได้โดยไม่มีเมทริกซ์ที่สับสน

สองรุ่นที่มีความแม่นยำเท่ากันสามารถกระจายข้อผิดพลาดได้แตกต่างกันมาก เมทริกซ์ความสับสนเผยให้เห็นว่าข้อผิดพลาดส่วนใหญ่เป็นสัญญาณเตือนที่ผิดพลาดหรือผลบวกที่พลาดไป

คะแนน F1 คือค่าเฉลี่ยฮาร์มอนิกของสองเมตริกใด

F1 ผสมผสานความแม่นยำและการเรียกคืนเป็นตัวเลขเดียวโดยใช้ค่าเฉลี่ยฮาร์มอนิก ซึ่งจะลงโทษความไม่สมดุลอย่างมากระหว่างตัวเลขทั้งสอง

เรียนรู้ต่อไป

คำแนะนำที่เกี่ยวข้อง

คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้

รับใบรับรอง AI ฟรีหลักสูตรและการสอบสั้น ๆ ฟรี ไม่มีค่าใช้จ่าย ไม่มีบัตรเครดิต ประมาณ 2.5 ชั่วโมงเริ่มต้นฟรี →