Matrice de confuzie

În contextul inteligenței artificiale , matricea de confuzie , numită și tabelul de clasificare greșită , returnează o reprezentare a exactității clasificării statistice .

Fiecare coloană a matricei reprezintă valorile prezise, în timp ce fiecare rând reprezintă valorile reale. Elementul de pe rândul i și coloana j este numărul de cazuri în care clasificatorul a clasificat clasa i „adevărată” drept clasa j. Prin această matrice este observabil dacă există „confuzie” în clasificarea diferitelor clase.

Prin utilizarea matricei de confuzie este posibil să se calculeze coeficientul kappa, cunoscut și sub numele de coeficient kappa al lui Cohen .

Exemplu

Să examinăm cazul unei clasificări în care se disting trei clase: pisică, câine și iepure. În rânduri sunt scrise valorile adevărate și reale. În timp ce în coloane, cele prezise, estimate de sistem.

Exemplu de matrice de confuzie
		Prezis			Sumă
		Pisică	Câine	Iepure	Sumă
Real	Pisică	5	2	0	7
	Câine	3	3	2	8
	Iepure	0	1	11	12
Sumă		8	6	13	27

În exemplu, se poate observa că din cele 7 pisici reale, sistemul a clasificat 2 ca câini. În mod similar, se poate observa că din cei 12 iepuri adevărați, doar 1 a fost clasificat greșit. Obiectele care au fost clasificate corect sunt indicate pe diagonala matricei, deci este imediat să observăm din matrice dacă clasificatorul a greșit sau nu.

În plus, pot fi obținute două valori semnificative de precizie:

Precizia producătorului lui X = (numărul de valori clasificate corect ca clasa X) / (numărul de valori aparținând clasei X)
Precizia utilizatorului X = (numărul de valori clasificate corect ca clasa X) / (numărul de valori clasificate ca clasa X)

În cazul clasei „pisică”, aceasta are următoarele valori (a se vedea matricea de mai sus):

$P.A.=5/7=71,4\%$ ${\ displaystyle PA = 5/7 = 71,4 \%}$ ${\ displaystyle P.A. = 5/7 = 71,4 \%}$
$U.A.=5/8=62,5\%$ ${\ displaystyle UA = 5/8 = 62,5 \%}$ ${\ displaystyle U.A. = 5/8 = 62,5 \%}$

Matrice de confuzie

În învățarea automată, acest tabel poate fi utilizat și cu valori „adevărat pozitiv” / „ fals pozitiv ” și „ fals negativ ” / „adevărat negativ”.

		Valori prezis
		n '	p '	total
Valori Real	n	Adevărat negativ	Fals pozitiv	Nu.
Valori Real	p	Fals negativ	Adevărat pozitiv	P.
total		N '	P '

Procedând astfel, este posibil să se calculeze:

precizie: $ACC={\frac {(VP+VN)}{(VP+VN+FP+FN)}}$ ${\ displaystyle ACC = {\ frac {(VP + VN)} {(VP + VN + FP + FN)}}}$ ${\ displaystyle ACC = {\ frac {(VP + VN)} {(VP + VN + FP + FN)}}}$
probabilitatea unei alarme false: $P_{FA}={\frac {FP}{(VP+FP)}}$ ${\ displaystyle P_ {FA} = {\ frac {FP} {(VP + FP)}}}$ ${\ displaystyle P_ {FA} = {\ frac {FP} {(VP + FP)}}}$
probabilitatea nicio alarmă: $P_{MA}={\frac {FN}{(VN+FN)}}$ ${\ displaystyle P_ {MA} = {\ frac {FN} {(VN + FN)}}}$ ${\ displaystyle P_ {MA} = {\ frac {FN} {(VN + FN)}}}$

Portalul de matematică

Portalul de statistici

V · D · M Statistici
Statisticile descriptive	Medii ( aritmetice · geometrice · armonioase · Putere · aritmetice și geometrice · Integrale ) · Mediană · Modă · interval de variație · varianță · Deviație standard · deviație absolută medie · Simetrie · Diferență medie ( absolută · logaritmică ) · Curtosi
Inferință statistică	Test de testare a ipotezelor · Semnificație · Ipoteză nulă / alternativă · Eroare I și tip II · Test Q · U test · Test t · Z Test · Probabilitate maximă · Standardizare · valoare p · Analiza variației
Analiza supraviețuirii	Rată de eșec · Estimator Kaplan-Meier · test log-rank
Analiza regresiei	Regresie liniară · Regresie neliniară · variabile instrumentale · metodă generalizată a momentelor · Regresie logistică · Model probit · Model logit