Машинное обучение может быть увлекательным обучением. Это действительно так? Слышали о матрице путаницы?
Наиболее распространенная проблема, с которой сталкивается каждый энтузиаст обучения машинному обучению. Разочарование, царапанье в затылке, перекуры, более частые перекуры, выпивка, стук по ноутбуку — вот общие симптомы недооценки матрицы путаницы. Надеюсь, к концу этого блога я смогу развеять ваше замешательство.
Постараюсь сделать это просто.
Матрица путаницы — это метод суммирования производительности алгоритма классификации или измерения производительности для задачи классификации машинного обучения, где выходными данными могут быть два или более классов. Вычисление матрицы путаницы может дать вам лучшее представление о том, что делает ваша модель классификации правильно и какие типы ошибок она допускает. Это позволяет визуализировать производительность алгоритма.
Это таблица с 4 различными комбинациями прогнозируемых (ТЕСТ) и фактическихзначений.
Давайте разберемся с TP, FP, FN, TN в сценарии, в котором ваш супруг выбрал тест на беременность.
Истинный положительный результат: (TP)
Интерпретация: Вы предсказали положительный результат, и это правда.
Вы предсказали, что ВАША СУПРУГА беременна, и она действительно беременна.
Истинно отрицательный результат: (TN)
Интерпретация: вы предсказали отрицательный результат, и это правда.
Вы предсказали, что ВАША СУПРУГА не беременна, и на самом деле это не так.
Ложное срабатывание: (Ошибка типа 1) (FP)
Интерпретация: вы предсказали положительный результат, но он неверен.
Вы предсказали, что ВАША СУПРУГА беременна, но на самом деле это не так.
Ложноотрицательный результат: (Ошибка типа 2) (FN)
Интерпретация: вы предсказали отрицательный результат, и он оказался ложным.
Вы предсказали, что ВАША СУПРУГА не беременна, но на самом деле она беременна.
Он описывает прогнозируемые значения как положительные и отрицательные, а фактические значения как истинные и ложные.
Надеюсь, теперь вы меньше запутались.
