Die Konfusionsmatrix lesen

Die Konfusionsmatrix ist eine kleine Tabelle, in der jede Vorhersage danach sortiert wird, was tatsächlich vorlag und was Sie vorhergesagt haben. Sie zeigt genau, wo die Fehler liegen.

Die Zeilen enthalten die tatsächlichen Labels und die Spalten die vorhergesagten. Jede Zelle zählt, wie viele Beispiele in diese Kombination aus tatsächlichem und vorhergesagtem Label fallen.

Bei zwei Klassen erhalten Sie vier Anzahlen: echte Positive, echte Negative und die beiden Fehlertypen. Jede Ihnen bekannte Metrik wird daraus gebildet.

Ein echtes Positiv ist ein tatsächlich positiver Fall, den Sie korrekt markiert haben, etwa echter Spam, der direkt im Spamordner landet. Ein klarer Erfolg.

Ein echtes Negativ ist ein tatsächlich negativer Fall, den Sie korrekt nicht markiert haben, etwa eine normale E-Mail, die sicher im Posteingang bleibt.

Ein falsch positives Ergebnis ist ein Fehlalarm: Sie haben etwas markiert, das tatsächlich negativ war, etwa eine echte E-Mail, die fälschlich als Spam gekennzeichnet wurde.

Ein falsch negatives Ergebnis ist ein übersehener Fall: ein tatsächlich positiver Fall, den Sie durchgelassen haben, etwa Spam, der unmarkiert im Posteingang landet.

Korrekte Vorhersagen liegen auf der Diagonalen. Ein leistungsstarkes Modell konzentriert dort die Anzahlen und lässt die Zellen außerhalb der Diagonalen nahezu leer.

scikit-learn erstellt die Matrix aus Ihren tatsächlichen und vorhergesagten Labels mit einem einzigen Aufruf.

Eine dargestellte Matrix macht Fehler sofort sichtbar, sodass Sie auf einen Blick erkennen, welche Klasse mit welcher verwechselt wird.

Lesen Sie die Zellen außerhalb der Diagonalen ab, um die Schwachstelle des Modells zu finden. Eine hohe Anzahl falsch negativer Ergebnisse warnt beispielsweise davor, dass tatsächliche positive Fälle übersehen werden.

Die Konfusionsmatrix teilt die Ergebnisse in vier Zellen auf. Die Diagonale enthält die Erfolge; die Zellen außerhalb der Diagonalen zeigen genau, wo Ihr Modell Fehler macht. 🔍