Матрица забуне у машинском учењу: решење на једном месту

У , обично имамо 2 различите врсте случајева, , и проблем. Матрица збрке помаже у израчунавању тачности класификационог модела што нам индиректно помаже да опишемо перформансе класификационог модела. То је најважнији корак када је у питању оцењивање модела. У овом чланку ћу обрађивати следеће теме:

1. Шта је матрица конфузије?

како направити дупли инт у јави

2. Тачност и компоненте матрице забуне

3. Прецизност, опозив и Ф-мера

4. Стварање матрице забуне помоћу Питхона и Склеарна

Шта је матрица забуне?

Са горње слике:
Имамо,

• Стварна вредност класе 1 = 1 која је слична позитивној вредности у бинарном исходу.
• Стварна вредност класе 2 = 0 која је слична негативној вредности у бинарном исходу.

Индекс леве стране матрице забуне у основи означава стварне вредности, а горња колона предвиђене вредности.

Постоје разне компоненте које постоје када креирамо матрицу забуне. Компоненте су поменуте у наставку

Позитивно (П): Предвиђени резултат је позитиван (пример: слика је мачка)

Негативно (Н): предвиђени резултат је негативан (пример: Слике нису мачка)

Тачно позитивно (ТП): Овде ТП у основи указује на предвиђање, а стварне вредности су 1 (тачно)

Тачно негативно (ТН): Овде ТН означава предвиђање, а стварна вредност је 0 (нетачно)

Лажно негативан (ФН): Овде ФН означава да је предвиђена вредност 0 (негативна), а стварна 1. 1. Овде се обе вредности не подударају. Отуда је лажно негативан.

Лажно позитиван (ФП): Овде ФП указује да је предвиђена вредност 1 (позитивна), а стварна вредност 0. Овде се опет обе вредности не подударају. Отуда је лажно позитиван.

Тачност и компоненте матрице забуне

• Тачност класификације

Из горње формуле, збир ТП (тачно позитиван) и ТН (истински негативан) тачни су предвиђени резултати. Стога, да бисмо израчунали тачност у процентима, делимо са свим осталим компонентама. Међутим, постоје неки проблеми у тачности и не можемо у потпуности да зависимо од тога.

Узмимо у обзир да је наш скуп података потпуно неуравнотежен. У овом сценарију, тачност 98% може бити добра или лоша на основу изјаве о проблему. Отуда имамо још неколико кључних појмова који ће нам помоћи да будемо сигурни у тачност коју израчунавамо. Услови су наведени у наставку:

• ТПР (истинска позитивна стопа) или осетљивост:

Тачна позитивна стопа која је позната и као осетљивост мери проценат истинске позитивне вредности у односу на укупну стварну позитивну вредност која је означена са (ТП + ФН)

• ТНР (тачно негативна стопа) или специфичност:

Тачно негативна стопа или специфичност мери удео стварних негатива у односу на укупне негативе

ТНР = тачно негативно / (тачно негативно + лажно позитивно)

• Лажно позитивна стопа (ФПР):

Лажно позитивна стопа представља проценат предвиђених лажно позитивних резултата (ФП) у односу на укупан број предвиђених позитивних резултата (ТП + ФП).

• Стопа лажних негатива (ФНР):

Стопа лажно негативних резултата представља проценат предвиђених лажних негатива (ФП) у односу на укупан број предвиђених негативних резултата (ТН + ФН).

Прецизност, опозив и мерење Ф

• Поврат:

Опозив је сличан истинској позитивној стопи и то је однос укупног броја тачно предвиђених позитивних вредности (ТП) према свим позитивним вредностима.

• Прецизност:

Прецизност у основи указује на све тачке за које је модел предвидео да су позитивне и који проценат њих је заправо позитиван.

Прецизност и опозив су метрички резултати који се фокусирају на позитивну класу, као што је приказано из горњих формула.

• Ф-Меасуре

Дакле, Ф-Меасуре је техника која комбинује технику прецизности и опозива и користи хармоничну средину уместо уобичајене аритметичке средине, због чега се екстремне вредности кажњавају. Ф-мера се назива и Ф1-оцена и даје се доњом формулом.

Размотримо пример и видимо како можемо израчунати тачност, прецизност, опозив и Ф1-резултат.

• • Тачност = (ТП + ТН) / (ТП + ТН + ФП + ФН) = (150 + 100) / (150 + 100 + 20 + 10) = 0.89
  • Поврат = ТП / (ТП + ФН) = 150 / (150 + 10) = 0.93
  • Прецизност: ТП / (ТП + ФП) = 150 / (150 + 20) = 0.88

• Ф-мера = (2 * опозив * прецизност) / (опозив + пресисион) = (2 * 0,93 * 0,88) / (0,93 + 0,88) = 0.90

Стварање матрице забуне помоћу Питхона и Склеарна

Сада ћемо видети пример како можемо створити матрицу забуне користећи питхон заједно са склеарн библиотеком.

један. У почетку ћемо створити листу стварних података и предвиђених за проверу тачности као што је приказано у наставку

# Питхон скрипта за стварање збуњујуће матрице. стварни_подаци = [1, 1, 0, 1, 0, 0, 1, 0, 0, 0,1,0,1] предвиђени_подаци = [0, 1, 1, 1, 0, 0, 1, 0, 1, 0,1,0,1]

2. Морамо да увозимо матрицу забуне из библиотеке склеарн, као што је приказано доле:

како прекинути програм у јави

фром склеарн.метрицс импорт цонфусион_матрик

3 Затим ћемо створити матрицу забуне као што је приказано доле:

финал_ресултс = цонфусион_матрик (стварни_подаци, предвиђени_подаци)

Четири. Сада можемо наставити и израчунати тачност увозом библиотеке као што је приказано доле:

из склеарн.метрицс увоз тачност_скор тачност = тачност_резултата (стварни_подаци, предвиђени_подаци)

5. На крају израчунавамо Ф1-резултат или Ф-меру као што је приказано доле:

фром склеарн.метрицс импорт репорт_репорт репорт = репорт_цлаис (стварни_подаци, предвиђени_подаци)

Испод је комплетан код:

стварни_подаци = [1, 1, 0, 1, 0, 0, 1, 0, 0, 0,1,0,1] предвиђени_подаци = [0, 1, 1, 1, 0, 0, 1, 0, 1, 0,1,0,1] из склеарн.метрицс импорт цонфусион_матрик финал_ресултс = цонфусион_матрик (стварни_подаци, предвиђени_подаци) испис (финал_ресултс) из склеарн.метрицс увоз прецизност_резултата тачност = прецизност_вредности (стварни_подаци, предвиђени_подаци) из извештаја склеарн.метрицс извештај класификације_извештаја = класификација_извештај ( стварни_подаци, предвиђени_подаци) испис (тачност) испис (извештај)

Дакле, овим смо дошли до краја овог чланка. Надам се да је сва ваша забуна око Матрице збрке сада решена.