Metriken der Verwirrungsmatrix
Verwirrungsmatrix Metrics are a set of Bewertungsmetriken used to assess the performance of classification models in maschinellem Lernen and künstliche Intelligenz. They provide a comprehensive view of how well a model is performing by breaking down the results into different categories based on the predicted and actual classifications.
Eine Confusion Matrix selbst ist eine Tabelle, die die Ergebnisse eines Klassifikationsproblems zusammenfasst und die Anzahl der richtigen und falschen Vorhersagen nach Klassen aufschlüsselt. Die Hauptbestandteile der Confusion Matrix umfassen:
- Wahre Positive (TP): The number of instances correctly predicted as positive.
- Wahre Negative (TN): The number of instances correctly predicted as negative.
- Falsch Positive (FP): The number of instances incorrectly predicted as positive (also known as Type I error).
- Falsche Negative (FN): The number of instances incorrectly predicted as negative (also known as Type II error).
Aus diesen Werten können mehrere wichtige Kennzahlen abgeleitet werden:
- Genauigkeit: The proportion of true results (both true positives and true negatives) among the total number of cases examined.
- Präzision: The ratio of true positives to the sum of true positives and false positives, indicating the accuracy of positive predictions.
- Rückruf (Sensitivität): The ratio of true positives to the sum of true positives and false negatives, reflecting the model’s ability to identify positive instances.
- F1-Score: The harmonisches Mittel von Präzision und Recall, die eine einzelne Metrik bieten, die beide Anliegen ausbalanciert.
Durch die Analyse dieser Kennzahlen können Praktiker Einblicke in die Stärken und Schwächen ihrer Klassifikationsmodelle gewinnen und weitere Verbesserungen und Anpassungen vornehmen.