Confusion Matrix Calculator

Kalkulator Macierzy Pomyłek określa kilka miar statystycznych powiązanych z wydajnością modeli klasyfikacji, takich jak: czułość, swoistość, pozytywna wartość predykcyjna (precyzja), negatywna wartość predykcyjna, współczynnik fałszywie dodatnich, współczynnik fałszywych odkryć, współczynnik fałszywie ujemnych, dokładność i współczynnik korelacji Matthewsa .

Miary statystyczne oparte na macierzy pomyłek

Macierz pomyłek jest popularną reprezentacją wydajności modeli klasyfikacyjnych i zawiera prawidłowo i niepoprawnie sklasyfikowane wartości w porównaniu z rzeczywistymi wynikami w danych testowych. Cztery zmienne to:

True positive (TP) – czyli wynik, w którym model poprawnie przewiduje klasę pozytywną (warunek jest poprawnie wykrywany, gdy występuje);

Prawdziwie ujemna (TN) – czyli wynik, w którym model poprawnie przewiduje klasę ujemną (warunek nie jest wykrywany w przypadku jego nieobecności);

Fałszywie dodatnie (FP) – czyli wynik, w którym model błędnie przewiduje klasę pozytywną (stan jest wykrywany pomimo jego nieobecności);

Fałszywie ujemny (FN) – czyli wynik, w którym model błędnie przewiduje klasę ujemną (warunek nie jest wykrywany pomimo jego obecności).

Jedną z najczęściej określanych miar statystycznych jest Czułość (znana również jako przypomnienie, wskaźnik trafień lub wskaźnik prawdziwie dodatnich TPR). Czułość mierzy odsetek rzeczywistych wyników pozytywnych, które zostały poprawnie zidentyfikowane jako pozytywne.

Czułość = TP / (TP + FN)

Swoistość, znana również jako selektywność lub współczynnik prawdziwie ujemnych wyników (TNR), mierzy odsetek rzeczywistych wyników ujemnych, które są prawidłowo zidentyfikowane jako ujemne.

Specyfika = TN / (FP + TN)

Dodatnia wartość predykcyjna (PPV), znana również jako precyzja i ujemna wartość predykcyjna (NPV), to proporcja wyników dodatnich i ujemnych, które są odpowiednio dodatnie i prawdziwie ujemne. Nazywa się je również pozytywnymi lub negatywnymi umowami predykcyjnymi i są miarami wykonania testu diagnostycznego.

Dodatnia wartość predykcyjna (precyzja) = TP / (TP + FP)

Ujemna wartość predykcyjna = TN / (TN + FN)

Wskaźnik fałszywie pozytywnych (FPR) lub Fall-out to stosunek liczby zdarzeń negatywnych błędnie zaklasyfikowanych jako pozytywne (fałszywie pozytywne) do całkowitej liczby faktycznie negatywnych zdarzeń (niezależnie od klasyfikacji).

Wskaźnik wyników fałszywie dodatnich = FP / (FP + TN)

Współczynnik fałszywych odkryć (FDR) to podejście statystyczne stosowane w testowaniu wielu hipotez w celu skorygowania wielokrotnych porównań.

Współczynnik fałszywych odkryć = PR / (FP + TP)

Wskaźnik fałszywie ujemnych (FNR) mierzy odsetek osób, u których występuje stan, dla którego wynik testu jest ujemny.

Współczynnik fałszywie ujemnych = FN / (FN + TP)

Dokładność (ACC) jest miarą błędu statystycznego

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

Wynik F1 jest miarą dokładności testu, zdefiniowaną jako średnia harmoniczna precyzji i przywołania.

Wynik F1 = 2TP / (2TP + FP + FN)

Współczynnik korelacji Matthewsa (MCC) opisuje, w jaki sposób zmiana wartości jednej zmiennej wpłynie na wartość innej i zwraca wartość od -1 do 1:

+1 opisuje doskonałą prognozę;

0 nie można zwrócić żadnych ważnych informacji (nie lepsze niż losowe przewidywanie);

-1 opisuje całkowitą niespójność między przewidywaniem a obserwacją.

Współczynnik korelacji Matthewsa = (TP x TN – FP x FN) / (sqrt((TP+FP) x (TP+FN) x (TN+FP) x (TN+FN)))