konfusionsmatriser

Konfusionsmatriser är ett verktyg för att utvärdera hur väl en klassificeringsmodell predicerar olika klasser. Den är vanligtvis en kvadratisk tabell där raderna representerar de verkliga klasserna och kolumnerna de förutsagda klasserna. Varje cell visar antalet exempel som tillhör en viss verklig klass och fått en viss förutsagd klass. I en binary-klassificering finns ofta fyra viktiga poster: sanna positiva (TP), falska positiva (FP), falska negativa (FN) och sanna negativa (TN). Denna struktur gör det möjligt att se vilka feltyper modellen gör.

I multiclass-sammanhang utökas matrisen till en KxK-matris där varje rad motsvarar en verklig klass och varje kolumn en förutsagd klass. Riktningen av rader och kolumner kan variera mellan källor, men ofta används att raderna visar verkliga klasser och kolumner de förutsagda.

Beräkningar av andra mått bygger på konfusionsmatrisen. Noggrannhet (accuracy) är andelen korrekta prediktioner. Precision och recall (även kallat återkallelse) beräknas per klass i relation till respektive kolumn eller rad, och F1-poäng sammanväger precision och recall. Vid multiclass används ofta macro- eller micro- genomsnitt för att få övergripande mått. Normalisering av konfusionsmatrisen (till exempel som andelar) används för att jämföra modeller eller dataset med olika klassfördelning.

Användning inkluderar felanalys, jämförelse av modeller och identifiering av svaga klasser. Begränsningar är att matrisen inte ger calibrering eller ordnade sannolikheter och att den kan vara svårtolkad vid starkt obalanserade eller mycket stora klassproblem utan normalisering eller per-klass­mått.

---