Sekaannusmatriisi avattuna
Todet ja virheelliset positiiviset ja negatiiviset tulokset
Sekaannusmatriisi avattuna on ilmainen Data Science Academy-oppitunti CoddyKitissä. Tämä on oppitunti 2/4. Voit lukea koko oppitunnin alta ilmaiseksi ja harjoitella sen jälkeen käytännössä selaimessa sisäänrakennetulla koodieditorilla ja ympäri vuorokauden käytettävissä olevan tekoälytuutorin avulla. Oppitunti kuuluu Data Science Academy-oppimispolkuun, ja edistymisesi synkronoituu verkon ja CoddyKit-sovelluksen välillä. Data Science Academy-kurssilla on yhteensä 4 oppituntia.
Yhden luvun tuolla puolen
Luokittelijoilla yksi tarkkuuspistemäärä jättää liikaa piiloon. Sekaannusmatriisi näyttää täsmälleen, mitkä ennusteet olivat oikein ja mitkä väärin. 🧩
Yksinkertainen ruudukko
Matriisi on pieni ruudukko: rivit kuvaavat todellisia luokkia ja sarakkeet ennustettuja luokkia. Kukin solu kertoo, kuinka usein kyseinen yhdistelmä esiintyi.
from sklearn.metrics import confusion_matrix
confusion_matrix(y_true, y_pred)True Positives
True positive tarkoittaa tapausta, jossa malli vastaa kyllä ja oikea vastaus on todella kyllä. Näiden osuutta haluatte kasvattaa.
True Negatives
True negative tarkoittaa tapausta, jossa malli vastaa ei ja totuus on myös ei. Malli jätti tämän tapauksen oikeaoppisesti rauhaan.
False Positives
False positive on väärä hälytys: malli ennustaa kyllä, mutta totuus on ei. Ajattele, että terve potilas ilmoitetaan sairaaksi.
False Negatives
False negative on ohi mennyt tapaus: malli vastaa ei, vaikka totuus on kyllä. Kuvittele, että todellinen petos pääsee huomaamatta läpi.
Kahdenlaisia virheitä
Huomaa, että näiden kahden virhetyypin kustannukset eroavat toisistaan. False positive ja false negative ovat harvoin yhtä haitallisia, joten matriisi pitää ne erillään.
Missä tarkkuus näkyy
Tarkkuus tarkoittaa yksinkertaisesti oikein luokiteltujen tapausten osuutta kaikista tapauksista. Se on diagonaalin summa jaettuna kaikilla tapauksilla, minkä vuoksi harvinaiset virheet voivat jäädä piiloon.
accuracy = (TP + TN) / (TP + TN + FP + FN)Lue diagonaalin ulkopuoliset solut
Hyödyllisimmät solut ovat diagonaalin ulkopuolella: ne näyttävät, missä malli sekoittaa yhden luokan toiseen ja paljastavat sen heikot kohdat.
Näe se lämpökarttana
Kun luokkia on paljon, esitä matriisi lämpökarttana. Kirkkaat diagonaalin ulkopuoliset ruudut paljastavat heti, mitkä luokat sekoittuvat eniten.
from sklearn.metrics import ConfusionMatrixDisplay
ConfusionMatrixDisplay.from_predictions(y_true, y_pred)Mittareiden perusta
Lähes kaikki luokittelumittarit rakentuvat näistä neljästä lukumäärästä. Kun hallitset sekaannusmatriisin, muut asiat seuraavat luontevasti.
Pikatarkistus
Varmistetaan, että jokainen matriisin solu on täysin selvä.
Kertaus
Sekaannusmatriisi jakaa tulokset true- ja false-tapauksiin sekä positive- ja negative-tapauksiin. Nämä neljä lukumäärää muodostavat kaikkien luokittelumittareiden perustan. 🎯
Opi Python tekoälytuutorin avulla — ilmaiseksi
Kirjoita ja suorita oikeaa koodia selaimessa, saa välitöntä apua tekoälytuutorilta ympäri vuorokauden ja jatka siitä, mihin jäit, verkossa tai sovelluksessa.
- Kurssit
- 30
- Oppitunnit
- 120
Usein kysytyt kysymykset
Onko oppitunti ”Sekaannusmatriisi avattuna” ilmainen?
Kyllä – oppitunnin ”Sekaannusmatriisi avattuna” koko tekstin voi lukea täällä verkossa ilmaiseksi. Jos haluat harjoitella interaktiivisesti sisäänrakennetulla koodieditorilla ja ympäri vuorokauden käytettävissä olevan tekoälytuutorin avulla sekä avata koko Data Science Academy-kurssin, päivitä CoddyKit PROhon. Data Science Academy-kurssilla on yhteensä 4 oppituntia.
Mitä opin oppitunnilla ”Sekaannusmatriisi avattuna”?
Todet ja virheelliset positiiviset ja negatiiviset tulokset Harjoittelet Data Science Academy-aihetta koodilla, jonka suoritat suoraan selaimessa. Ympäri vuorokauden käytettävissä oleva tekoälytuutori vastaa kysymyksiisi oppitunnin aikana.
Tarvitsenko kokemusta aloittaakseni Data Science Academy-opiskelun?
Aiempi kokemus ei ole tarpeen. CoddyKitin Data Science Academy-oppimispolku sopii vasta-alkajista edistyneisiin, joten voit aloittaa tästä tai alusta ja edetä omaan tahtiisi. Tämä on oppitunti 2/4.
Kuinka kauan ”Sekaannusmatriisi avattuna”-oppitunnin suorittaminen kestää?
Useimmat CoddyKitin oppitunnit kestävät noin 5–10 minuuttia. Jokainen oppitunti on lyhyt ja interaktiivinen, joten edistyt tasaisesti ja voit jatkaa siitä, mihin jäit – sekä verkossa että sovelluksessa.
Voinko kirjoittaa ja suorittaa koodia tällä Data Science Academy-oppitunnilla?
Kyllä. Jokainen Data Science Academy-oppitunti sisältää sisäänrakennetun koodieditorin, joten voit kirjoittaa ja suorittaa oikeaa koodia suoraan selaimessa ja saada välitöntä palautetta tekoälyltä – paikallista asennusta ei tarvita.
Kaikki tämän kurssin oppitunnit
- Regressiomittarit: MAE, MSE ja R2
- Sekaannusmatriisi avattuna
- Tarkkuus, kattavuus ja F1
- ROC, AUC ja kynnysarvot