forvirringsmatriser

Forvirringsmatrisen, ibland kallad confusion matrix, är en tabell som används för att utvärdera resultatet av en klassificeringsmodell. Den visar hur modellens förutsägelser överensstämmer med de sanna etiketterna i en testuppsättning. I en binär klassificering består den oftast av en 2x2-matris med begreppen verklig positiv (TP), verklig negativ (TN), falsk positiv (FP) och falsk negativ (FN). Vid multiclassproblem blir den NxN och varje cell representerar antalet exempel som tillhör en verklig klass och en förutsagd klass.

Raderna representerar ofta de verkliga klasserna och kolumnerna de predikerade klasserna, även om vissa källor vänder på axlarna. Denna struktur gör det möjligt att se vilka klasser modellen ofta förväxlar och hur ofta fel uppstår i olika sammanhang. Förvirringsmatrisen används både för att få en övergripande bild av prestanda och för att analysera prestanda per klass.

Från förvirringsmatrisen kan olika prestandamått beräknas: noggrannhet (accuracy) är andelen korrekta förutsägelser (TP+TN delat med summan av alla fall). Precision är andelen sanna positiva bland alla förutsagda positiva (TP/(TP+FP)). Recall eller sensitivitet är andelen sanna positiva bland alla verkliga positiva (TP/(TP+FN)). Specificitet är andelen sanna negativa bland alla verkliga negativa (TN/(TN+FP)). F1-poäng är den harmoniska medelvärdet av precision och recall. Vid multiclass används per-klass mått eller macro- och micro-genomsnitt.

Användning: förvirringsmatrisen är grundläggande inom maskininlärning och används för att bedöma prestanda, särskilt när klasser är obalanserade. Den kompletterar ofta ROC-kurvor och AUC för att bedöma diskriminationsförmåga. Exempelvärden kan illustrera specifika situationer och hjälpa till att identifiera svagheter i modellen.