Confusion Matrix Calculator

Dieser Verwechslungsmatrix-Rechner bestimmt mehrere statistische Maße, die mit der Leistung von Klassifikationsmodellen verbunden sind, wie z .

Statistische Maße basierend auf der Konfusionsmatrix

Die Konfusionsmatrix ist die gängige Darstellung der Leistung von Klassifikationsmodellen und enthält die richtig und falsch klassifizierten Werte im Vergleich zu den tatsächlichen Ergebnissen in den Testdaten. Die vier Variablen sind:

Wahr positiv (TP) – das ist das Ergebnis, bei dem das Modell die positive Klasse korrekt vorhersagt (Bedingung wird korrekt erkannt, wenn vorhanden);

Wahr negativ (TN) – das ist das Ergebnis, bei dem das Modell eine negative Klasse korrekt vorhersagt (Bedingung wird nicht erkannt, wenn sie fehlt);

Falsch positiv (FP) – das ist das Ergebnis, bei dem das Modell die positive Klasse falsch vorhersagt (Bedingung wird trotz Abwesenheit erkannt);

Falsch negativ (FN) – Dies ist das Ergebnis, bei dem das Modell fälschlicherweise eine negative Klasse vorhersagt (Bedingung wird nicht erkannt, obwohl sie vorhanden ist).

Eines der am häufigsten ermittelten statistischen Maße ist die Sensitivität (auch bekannt als Recall, Hit Rate oder True Positive Rate TPR). Die Sensitivität misst den Anteil der tatsächlich positiven Ergebnisse, die korrekt als positiv identifiziert werden.

Empfindlichkeit = TP / (TP + FN)

Die Spezifität, auch bekannt als Selektivität oder True Negativ Rate (TNR), misst den Anteil der tatsächlichen Negative, die korrekt als Negative identifiziert wurden.

Spezifität = TN / (FP + TN)

Der Positive Predictive Value (PPV), auch bekannt als Precision und der Negative Predictive Value (NPV) sind der Anteil der positiven und negativen Ergebnisse, die richtig positiv bzw. richtig negativ sind. Sie werden auch als positive bzw. negative prädiktive Übereinstimmungen bezeichnet und sind ein Maß für die Leistung eines diagnostischen Tests.

Positiver Vorhersagewert (Präzision) = TP / (TP + FP)

Negativer Vorhersagewert = TN / (TN + FN)

Die False Positive Rate (FPR) oder der Fallout ist das Verhältnis zwischen der Anzahl der fälschlicherweise als positiv eingestuften negativen Ereignisse (False Positives) und der Gesamtzahl der tatsächlich negativen Ereignisse (unabhängig von der Klassifizierung).

Falsch positive Rate = FP / (FP + TN)

Die False Discovery Rate (FDR) ist ein statistischer Ansatz, der beim Testen mehrerer Hypothesen verwendet wird, um mehrere Vergleiche zu korrigieren.

Fehlerkennungsrate = FP / (FP + TP)

Die False Negative Rate (FNR) misst den Anteil der Personen, bei denen eine Erkrankung vorliegt, bei der das Testergebnis negativ ist.

Falsch-Negativ-Rate = FN / (FN + TP)

Genauigkeit (ACC) ist ein Maß für statistische Verzerrungen

Genauigkeit = (TP + TN) / (TP + TN + FP + FN)

Der F1-Score ist ein Maß für die Genauigkeit eines Tests, definiert als das harmonische Mittel von Präzision und Recall.

F1-Ergebnis = 2TP / (2TP + FP + FN)

Matthews Correlation Coefficient (MCC) beschreibt, wie sich die Änderung des Wertes einer Variablen auf den Wert einer anderen auswirkt und gibt einen Wert zwischen -1 und 1 zurück:

+1 beschreibt eine perfekte Vorhersage;

0 kann keine gültigen Informationen zurückgeben (nicht besser als zufällige Vorhersage);

-1 beschreibt die vollständige Inkonsistenz zwischen Vorhersage und Beobachtung.

Matthews Korrelationskoeffizient = (TP x TN – FP x FN) / (sqrt((TP+FP) x (TP+FN) x (TN+FP) x (TN+FN)))