verwarringsmatrices

Een verwarringsmatrice, ook wel confusion matrix genoemd, is een tabel die de prestaties van een classificatiemodel weergeeft door voorspelde klassen te vergelijken met de werkelijke klassen. De indeling kan variëren, maar meestal staan de werkelijke klassen aan de rijen en de voorspelde klassen aan de kolommen. In een binaire classificatie bestaan de vier cellen uit: True Positives (TP) = correct voorspelde positieve voorbeelden; False Positives (FP) = verkeerd voorspelde positieve voorbeelden; True Negatives (TN) = correct voorspelde negatieve voorbeelden; False Negatives (FN) = verkeerd voorspelde negatieve voorbeelden.

Aan de hand van deze aantallen kunnen verschillende evaluatiestatistieken worden afgeleid. De nauwkeurigheid (accuracy) is bijvoorbeeld (TP+TN)/(TP+FP+TN+FN). De precisie is TP/(TP+FP) en de recall of sensitiviteit is TP/(TP+FN). De specificiteit is TN/(TN+FP). De F1-score is de harmonische gemiddelde van precisie en recall en wordt berekend als 2(precisierecall)/(precisie+recall). Ook kunt men foutpositieve en foutnegatieve percentielen afleiden, zoals de foutpositieve rate FP/(FP+TN) en de foutnegatieve rate FN/(FN+TP).

Bij meer dan twee klassen geldt een KxK verwarringsmatrice, waarbij K het aantal klassen is. In dat geval worden macro- en micro-averaging gebruikt om overall prestaties over alle klassen te beschrijven. Normalizeering kan plaatsvinden door elke cel te delen door het totale aantal voorbeelden, zodat de matrix in proporties verschijnt.

Toepassingen omvatten modelselectie, thresholdafstelling, balancering bij onhandige klassenverdeling en foutenanalyse. De verwarringsmatrice biedt inzicht in welke klassen vaak worden verward en welke type fouten het meest voorkomen.