Речник

Матрица на неточностите (confusion matrix)

Какво е Матрица на неточностите (confusion matrix)?

Матрицата на неточностите (confusion matrix) е таблица, която сравнява прогнозите на класификатор с действителните класове. При два класа тя показва истинно положителните, фалшиво положителните, истинно отрицателните и фалшиво отрицателните случаи. От нея могат да се изчисляват метрики като прецизност, обхват и F1 стойност и става ясно какви грешки се допускат. Пример: спам филтър, който отбелязва много истински имейли като спам, има много фалшиво положителни случаи, което често е по-скъпо от пропуснато спам съобщение.

Теми

Оценка на модели
Класификация
Метрики

Изпробвайте KI.ordo

Агенти, потоци и шаблони в едно работно пространство – безплатна 24-часова демонстрация.

Стартирайте демото

← Всички термини

Свързани термини

F-мярка (F1 score)

F-мярката е метрика за оценка на класификационни модели. Често използваната F1 стойност е хармоничната средна на прецизността (колко от предвидените попадения са верни) и обхвата (колко от действителните попадения са намерени) и е в диапазона от 0 до 1. Особено полезна е при небалансирани данни: спам филтър, който почти никога не отбелязва спам, може да има висока точност, но ниска F1 стойност.

Метрика за оценка
Класификация
+1

Пълнота (recall) в машинното обучение

Пълнотата (recall, наричана още чувствителност или дял на истинско положителните) измерва какъв дял от действителните положителни случаи открива моделът: правилно разпознатите положителни, разделени на всички реални положителни. Ако филтър за измами улавя 80 от 100 реални случая на измама, пълнотата му е 0,8. Високата пълнота е важна, когато пропуснатите случаи са скъпоструващи, например при медицинска диагностика. Тъй като пренебрегва фалшивите тревоги, обикновено се разглежда заедно с прецизността, например във F-мярката.

метрика
оценка на модела
+1

Класификатор

Класификаторът е модел или метод, който отнася входните данни към една от няколко предварително определени категории. Класическите варианти като дърветата на решенията или наивния Байес се обучават върху анотирани примери; езиковите модели могат да сортират текстове и въз основа на описание на категориите. Типични приложения са откриването на спам, сортирането на запитвания на клиенти по теми и категоризирането на разписки. Качеството се измерва с метрики като точност, прецизност и обхват.

Класификация
Машинно обучение
+1

Шаблон

ROC крива

ROC кривата (receiver operating characteristic) показва колко добре един класификационен модел разделя два класа. За всеки възможен праг на решение тя нанася дела на истинско положителните (recall) спрямо дела на фалшиво положителните. Колкото по-близо стига кривата до горния ляв ъгъл, толкова по-добре; диагоналът съответства на чисто налучкване. Площта под нея (AUC) обобщава кривата в едно число и помага например при сравняване на различни модели за откриване на измами.

метрика
оценка на модела
+1