Temel Bilgiler KILAVUZU
Karışıklık Matrisleri
Karışıklık matrisi, sınıflandırıcının tahminlerini her sınıf için doğru ve yanlış sayımlara ayıran basit bir tablodur.
Bu kılavuzu dinleyinAI tarafından anlatılan · ~2 min
Bu sayfada2 dakika okuma
Genel Bakış
It is the raw scoreboard from which nearly every other classification metric is calculated.
Derin Dalış
Karışıklık matrisi, tahmin edilen etiketleri gerçek etiketlerle karşılaştıran bir tablodur. İkili sınıflandırma için dört hücreye sahiptir: Gerçek Pozitifler (doğru tahmin edilen pozitif), Gerçek Negatifler (doğru tahmin edilen negatif), Yanlış Pozitifler (negatifler yanlış bir şekilde pozitif olarak işaretlenir, bir 'Tip I hata') ve Yanlış Negatifler (gözden kaçan pozitifler, bir 'Tip II hata'). Bu dört sayıdan doğruluk ((TP+TN)/toplam), kesinlik (TP/(TP+FP)), hatırlama veya duyarlılık (TP/(TP+FN)), özgüllük (TN/(TN+FP)) ve F1 puanı (hassasiyet ve hatırlamanın harmonik ortalaması) elde edilir. İkiden fazla sınıfa sahip problemler için matris N'ye N olur; burada köşegen doğru tahminleri tutar ve köşegen dışı hücreler tam olarak hangi sınıfların hangi sınıflarla karıştırıldığını ortaya çıkarır.
Gerçek Dünya Uygulaması
Bir görüntü sınıflandırıcının çapraz olmayan hücrelerde sıklıkla dış yapraklar ile kurtları karıştırdığını görerek nerede başarısız olduğunu teşhis etmek
Yanlış negatifleri (modelin sağlıklı ilan ettiği hastalığa sahip hastaları) inceleyerek bir tıbbi tarama aracını denetlemek
Aynı doğruluğu paylaşan ancak kaç tane gerçek e-postayı yanlışlıkla engellediği farklı olan iki e-posta spam filtresinin karşılaştırılması (yanlış pozitifler)
4'lü ve 9'lu sayıların çoğu zaman birbiriyle karıştırıldığını bulmak için çok sınıflı bir el yazısı rakam tanıyıcının değerlendirilmesi
Karışıklık Matrislerinin Geleceği
Karışıklık matrisleri temel olmaya devam edecek, ancak araçlar onları daha zengin hale getiriyor: etkileşimli, normalleştirilmiş ısı haritaları, büyük etiket kümeleri için sınıf başına dökümler ve her hata türünü gerçek dünyadaki cezasıyla çarpan maliyet ağırlıklı matrisler. Adil denetimde, uygulayıcılar artık eşit olmayan hata oranlarını ortaya çıkarmak için demografik alt grup başına ayrı karışıklık matrisleri hesaplıyor. Bir hücreye tıklandığında yanlış sınıflandırılmış örneklerin inceleme için ortaya çıktığı model kontrol panellerine entegrasyonun devam etmesini bekleyebilirsiniz.
Uygulamaya koymak
Neden önemli?
- Daha net kararlar. Açık teknik iddiaları pazarlama dilinden ayırmanıza yardımcı olur.
- Maliyet ve bütçe. Para veya zaman harcamadan önce daha iyi uygulama soruları sorabilirsiniz.
- Ekip ve iş akışı. Ortak anlayışa sahip ekipler daha iyi ürün, politika ve öğrenme kararları verir.
Dikkat edin
- Farklı ekipler aynı terimi farklı şekilde kullanabilir; bu nedenle kapsamı erken tanımlayın.
- Gerçek dünya performansı dengesizken karşılaştırmalar güçlü görünebilir.
- Veri kalitesini ve değerlendirme planlarını göz ardı etmek çoğu zaman hassas sonuçlar doğurur.
Sonraki adımlar
- İhtiyacınız olan sonucun sade bir dille tanımlanmasıyla başlayın.
- Test etmeden önce bir başarı ölçüsü ve bir başarısızlık koşulu seçin.
- Gösterişli bir demo seti yerine, temsili verilerle küçük bir pilot çalışma yürütün.
- Karışıklık Matrislerinin nerede yardımcı olduğunu ve daha basit yöntemlerin nerede daha iyi olduğunu belgeleyin.
Keşfetmeye Devam Edin
Ücretsiz bülten
Günlük AI brifingini alın
Hafta içi her sabah sade İngilizce yazılmış, doğrulanmış üç yapay zeka hikayesi. Sonsuza kadar ücretsiz, reklam yok.
Hafta içi her gün bir e-posta. Tek tıklamayla aboneliğinizi iptal edin. Adresinizi asla satmayız veya paylaşmayız.
Kendinizi test edin
Take the Confusion Matrices quiz
Her yanıtla ilgili anında geri bildirim ve bir kursu geçtiğinizde doğrulanabilir bir kimliğe sahip paylaşılabilir bir sertifika.
Ücretsiz AI eğitimini destekleyin. AI Understanding, bir 501(c)(3) kâr amacı gütmeyen kuruluştur; hiçbir zaman reklam yoktur, ödeme duvarı yoktur. Bağış yap
Sık sorulan sorular
What is Confusion Matrices?
Karışıklık matrisi, sınıflandırıcının tahminlerini her sınıf için doğru ve yanlış sayımlara ayıran basit bir tablodur. Neredeyse tüm diğer sınıflandırma ölçümlerinin hesaplandığı ham puan tablosudur.
İkili bir karışıklık matrisinde Yanlış Negatif nedir?
Yanlış Negatif, modelin negatif olarak etiketleyerek gözden kaçırdığı gerçek bir pozitiftir; örneğin, hasta bir hastanın sağlıklı ilan edilmesi.
Hangi metrik, modelin doğru bir şekilde tanımladığı gerçek pozitiflerin oranını ölçer?
Hatırlama (duyarlılık veya gerçek pozitif oran da denir) TP / (TP + FN)'dir - modelin yakaladığı gerçek pozitiflerin payı.
5 sınıflı bir problem için karışıklık matrisinde köşegen hücreler neyi temsil eder?
N'ye N matrisinde köşegen, tahmin edilen sınıfın gerçek sınıfla (yani doğru tahminlerle) eşleştiği durumları tutar.
Karışıklık matrisi olmadan doğruluk neden tek başına yanıltıcı olabilir?
Aynı doğruluğa sahip iki model, hatalarını çok farklı şekilde dağıtabilir; karışıklık matrisi, hataların çoğunlukla yanlış alarmlardan mı yoksa kaçırılan pozitiflerden mi kaynaklandığını ortaya çıkarır.
F1 puanı hangi iki ölçümün harmonik ortalamasıdır?
F1, harmonik ortalamayı kullanarak hassasiyet ve geri çağırmayı tek bir sayı halinde birleştiriyor ve bu da ikisi arasındaki büyük dengesizlikleri cezalandırıyor.
Öğrenmeye devam et
İlgili kılavuzlar
Bu konu için daha fazla rehber seçildi