Słownik pojęć

Macierz pomyłek

Czym jest Macierz pomyłek?

Macierz pomyłek (confusion matrix) to tabela porównująca przewidywania klasyfikatora z rzeczywistymi klasami. Dla dwóch klas pokazuje wyniki prawdziwie pozytywne, fałszywie pozytywne, prawdziwie negatywne i fałszywie negatywne. Na jej podstawie można obliczyć metryki takie jak precyzja, czułość i miara F1 oraz zobaczyć, jakie błędy występują. Przykład: filtr spamu, który oznacza wiele prawdziwych e-maili jako spam, ma wiele wyników fałszywie pozytywnych, co bywa kosztowniejsze niż pominięty spam.

Tematy

Ocena modelu
Klasyfikacja
metryki

Wypróbuj KI.ordo

Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.

Uruchom demo

← Wszystkie pojęcia

Powiązane pojęcia

Miara F (F1)

Miara F to metryka do oceny modeli klasyfikacyjnych. Powszechna miara F1 jest średnią harmoniczną precyzji (ile spośród przewidzianych trafień jest poprawnych) i czułości (ile rzeczywistych trafień znaleziono) i przyjmuje wartości od 0 do 1. Jest szczególnie użyteczna przy danych niezrównoważonych: filtr spamu, który prawie nigdy nie oznacza spamu, może mieć wysoką dokładność, ale niską miarę F1.

Metryka oceny
Klasyfikacja
+1

Czułość (recall) w uczeniu maszynowym

Czułość (recall, nazywana też sensitivity lub wskaźnikiem prawdziwie pozytywnych) mierzy, jaką część rzeczywistych przypadków pozytywnych wykrywa model: poprawnie rozpoznane przypadki pozytywne podzielone przez wszystkie rzeczywiste przypadki pozytywne. Jeśli filtr oszustw wychwytuje 80 ze 100 rzeczywistych oszustw, jego czułość wynosi 0,8. Wysoka czułość ma znaczenie tam, gdzie pominięte przypadki są kosztowne, na przykład w diagnostyce medycznej. Ponieważ pomija fałszywe alarmy, zwykle rozpatruje się ją razem z precyzją, na przykład we wskaźniku F.

metryka
ocena modeli
+1

Klasyfikator

Klasyfikator to model lub metoda, która przypisuje dane wejściowe do jednej z kilku z góry określonych kategorii. Klasyczne warianty, takie jak drzewa decyzyjne czy naiwny klasyfikator bayesowski, są trenowane na oznaczonych przykładach; modele językowe mogą też sortować teksty na podstawie opisu kategorii. Typowe zastosowania to wykrywanie spamu, sortowanie zapytań klientów według tematu i kategoryzowanie rachunków. Jakość mierzy się metrykami takimi jak dokładność, precyzja i czułość.

Klasyfikacja
Uczenie maszynowe
+1

Szablon

Krzywa ROC

Krzywa ROC (receiver operating characteristic) pokazuje, jak dobrze model klasyfikacyjny rozdziela dwie klasy. Dla każdego możliwego progu decyzyjnego przedstawia odsetek prawdziwie pozytywnych (czułość) w stosunku do odsetka fałszywie pozytywnych. Im bliżej lewego górnego rogu biegnie krzywa, tym lepiej; przekątna odpowiada czystemu zgadywaniu. Pole pod nią (AUC) streszcza krzywą w jednej liczbie i pomaga na przykład przy porównywaniu różnych modeli wykrywania oszustw.

metryka
ocena modeli
+1