Машинное обучение вики
Snekman25 (обсуждение | вклад)
Метки: apiedit, Визуальный редактор
SSerov (обсуждение | вклад)
м
Метки: apiedit, Визуальный редактор
Строка 1: Строка 1:
 
== Матрица ошибок (confusion matrix) ==
 
== Матрица ошибок (confusion matrix) ==
Пусть дана выборка <math>x_i</math> (<math>i = 1, \dots, N</math>, <math>y_i</math> - метка класса i-го объекта, <math>y_i \in \{1, 2, \dots, C\}</math>), каждый объект которой относится к одному из <math>C</math> классов и классификатор <math>a</math> который эти классы предсказывает. Матрицей ошибок для такого классификатора называется следующая матрица: <math>M = \{m_{ij}\}_{i,j=0}^C, ~m_{ij} = \sum_{k = 0}^N\mathbb{I}[a(x_k) = j]\mathbb{I}[y_k = i]</math>.
+
Пусть дана выборка <math>x_i</math> (<math>i = 1, \dots, N</math>, <math>y_i</math> - метка класса i-го объекта, <math>y_i \in \{1, 2, \dots, C\}</math>), каждый объект которой относится к одному из <math>C</math> классов и классификатор <math>a</math>, который эти классы предсказывает. Матрицей ошибок для такого классификатора называется следующая матрица: <math>M = \{m_{ij}\}_{i,j=0}^C, ~m_{ij} = \sum_{k = 0}^N\mathbb{I}[a(x_k) = j]\mathbb{I}[y_k = i]</math>.
   
 
Такая матрица показывает сколько объектов класса <math>i</math> были распознаны как объекты класса <math>j</math>.
 
Такая матрица показывает сколько объектов класса <math>i</math> были распознаны как объекты класса <math>j</math>.

Версия 00:08, 13 января 2017

Матрица ошибок (confusion matrix)

Пусть дана выборка (, - метка класса i-го объекта, ), каждый объект которой относится к одному из классов и классификатор , который эти классы предсказывает. Матрицей ошибок для такого классификатора называется следующая матрица: .

Такая матрица показывает сколько объектов класса были распознаны как объекты класса .

 Случай бинарной классификации

TP FP
FN TN

В случае бинарной классификации метка класса принимает значение (положительный класс) или (отрицательный). Вводятся 4 возможных значения матрицы ошибок:

  • True positive (TP).
  • True negative (TN).
  • False positive (FP).
  • False negative (FN).

P означает что классификатор определяет класс объекта как положительный (N - отрицательный). T - значит что класс предсказан правильно (соответственно F - неправильно).

Ахтунг! Не путать с матрицей штрафов.

Точность, полнота, F мера.

accuracy

precision

recall

Литература: