Вот простое объяснение матрицы путаницы для абсолютных новичков. Большинство новичков и даже некоторые опытные люди запутываются в матрице путаницы.
В этом объяснении я попытаюсь разъяснить это простым способом, чтобы вы никогда больше не запутались в этом.
Предположим, что модель используется для прогнозирования того, является ли группа из 50 человек положительной или отрицательной по коронавирусу.
TN — True Negative: модель предсказала отрицательный результат на корону для 24 человек, но на самом деле у них нет короны.
TP — True Positive: модель предсказала положительный результат на коронавирус для 16 человек, и у них действительно есть коронавирус.
FP — ложное срабатывание: в этом случае наша модель предсказала, что у 6 человек есть положительный результат на корону, но на самом деле у них нет короны. Несмотря на то, что у них нет короны, наша модель предсказала, что они являются короноположительными. Это ошибка, известная как ошибка типа 1. В результате этой ошибки, даже если у них нет короны, им приходится находиться на карантине.
FN — ложноотрицательный результат: наша модель предсказала, что 4 человека являются короноотрицательными, но на самом деле у них короноположительный результат. Это опасная ошибка, известная как ошибка типа 2. Из-за этой ошибки они не получают лечения, поскольку получили отрицательный отчет от нашей модели. Из-за ошибки прогнозирования нашей модели эти 4 человека могут умереть, так как не получат лечения. Риск и влияние выше при ошибке типа 2 по сравнению с ошибкой типа 1.
Теперь давайте посчитаем коэффициент точности модели и коэффициент ошибок:
Коэффициент точности: Правильно/Всего = (TN + TP)/Всего (24 + 16)/50 = 0,8 (или 80%). Частота ошибок: Неверно/Всего = (FN + FP)/Всего (4 + 6)/50 = 0,2 (или 20%)
Вывод: Наш пример модели имеет точность 80% и коэффициент ошибок 20%.
нажмите на 👉Venkatesh188, чтобы подписаться на меня в linkedin.