Pojmovnik

Matrica zabune (confusion matrix)

Što je Matrica zabune (confusion matrix)?

Matrica zabune (confusion matrix) tablica je koja uspoređuje predviđanja klasifikatora sa stvarnim klasama. Za dvije klase prikazuje istinito pozitivne, lažno pozitivne, istinito negativne i lažno negativne slučajeve. Iz toga se mogu izračunati metrike poput preciznosti, odziva i F1 mjere te postaje jasno koje se pogreške javljaju. Primjer: filtar za spam koji mnoge prave e-poruke označi kao spam ima mnogo lažno pozitivnih, što je često skuplje od propuštene spam poruke.

Teme

Vrednovanje modela
Procjena
Metrike

Isprobajte KI.ordo

Agenti, tijekovi rada i predlošci u jednom radnom prostoru – besplatna demo verzija na 24 sata.

Pokrenite demo

← Svi pojmovi

Srodni pojmovi

F-mjera (F1 mjera)

F-mjera je metrika za ocjenjivanje klasifikacijskih modela. Uobičajena F1 mjera je harmonijska sredina preciznosti (koliko je predviđenih pogodaka točno) i odziva (koliko je stvarnih pogodaka pronađeno), a kreće se od 0 do 1. Posebno je korisna kod neuravnoteženih podataka: filtar za spam koji gotovo nikad ne označi spam može imati visoku točnost, ali nisku F1 mjeru.

Metrika vrednovanja
Procjena
+1

Odziv (recall) u strojnom učenju

Odziv (recall), poznat i kao osjetljivost ili stopa istinitih pozitiva, mjeri koji udio stvarnih pozitivnih slučajeva model otkriva: ispravno prepoznati pozitivni slučajevi podijeljeni sa svim stvarnim pozitivnima. Ako filtar za prijevare uhvati 80 od 100 stvarnih slučajeva prijevare, njegov je odziv 0,8. Visok odziv važan je kada su propušteni slučajevi skupi, primjerice u medicinskoj dijagnostici. Budući da zanemaruje lažne uzbune, obično se promatra zajedno s preciznošću, primjerice u F-mjeri.

metrika
evaluacija modela
+1

Klasifikator

Klasifikator je model ili metoda koja unose razvrstava u jednu od nekoliko unaprijed definiranih kategorija. Klasične varijante poput stabala odlučivanja ili naivnog Bayesa treniraju se na označenim primjerima; jezični modeli mogu razvrstavati tekstove i na temelju opisa kategorija. Tipične primjene uključuju prepoznavanje spama, razvrstavanje upita klijenata po temama i kategoriziranje računa. Kvaliteta se mjeri metrikama poput točnosti, preciznosti i odziva.

Procjena
Strojno učenje
+1

Predložak

ROC krivulja

ROC krivulja (receiver operating characteristic) pokazuje koliko dobro model klasifikacije razdvaja dvije klase. Za svaki mogući prag odlučivanja prikazuje stopu istinitih pozitiva (odziv) u odnosu na stopu lažnih pozitiva. Što se krivulja više približava gornjem lijevom kutu, to je bolje; dijagonala odgovara čistom pogađanju. Površina ispod krivulje (AUC) sažima krivulju u jedan broj i pomaže, primjerice, pri usporedbi različitih modela za otkrivanje prijevara.

metrika
evaluacija modela
+1