Verwirrungsmatrix

Was ist eine Verwirrungsmatrix?

Eine Confusion Matrix ist eine Tabelle, die verwendet wird, um die Leistung eines classification algorithm. It provides a comprehensive view of how well the model is performing by summarizing the results of predictions made durch das Modell.

Komponenten einer Verwirrungsmatrix

Eine Verwirrungsmatrix besteht typischerweise aus vier Schlüsselelementen:

• Wahre Positive (TP): Die Anzahl der korrekt als positiv vorhergesagten Instanzen.
• Wahre Negative (TN): Die Anzahl der korrekt als negativ vorhergesagten Instanzen.
• Falsche 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).

Verständnis der Matrix

Die Struktur einer Verwirrungsmatrix kann wie folgt dargestellt werden:

                  Predicted Positive    Predicted Negative
Actual Positive         TP                     FN
Actual Negative         FP                     TN

This layout helps in visualizing the performance of the classification model, allowing for the calculation of various Leistungskennzahlen.

Leistungskennzahlen

Aus den Werten in der Verwirrungsmatrix können mehrere wichtige Leistungskennzahlen abgeleitet werden:

• Genauigkeit: (TP + TN) / (TP + TN + FP + FN)
• Präzision: TP / (TP + FP)
• Rückruf (Sensitivität): TP / (TP + FN)
• F1-Score: 2 * (Präzision * Rückruf) / (Präzision + Rückruf)

Diese Kennzahlen helfen dabei, zu bestimmen, wie gut ein Modell darin ist, positive und negative Instanzen korrekt zu identifizieren. Eine gut konstruierte Verwirrungsmatrix ist unerlässlich, um die Stärken und Schwächen eines Klassifikationsmodells zu verstehen.