AI-United » Allgemein » Grundlegendes zur Wahrheitsmatrix

Grundlegendes zur Wahrheitsmatrix

Grundlegendes zur Wahrheitsmatrix

Wenn Daten nach der Reinigung, Bearbeitung und dem Zusammenstellen zur Verfügung gestellt werden, werden sie als erstes einem offenen Modell zugeführt und natürlich wird die Ausgabe in Wahrscheinlichkeiten ermittelt. Aber Moment mal! Wie kann die Wirksamkeit des Modells gemessen werden? Bessere Wirksamkeit führt zur besseren Leistungsfähigkeit und dies ist genau das, wonach man strebt. Und genau in diesem Augenblick kommt die Wahrheitsmatrix ins Spiel. Es handelt sich um eine Leistungsmessung für die Klassifizierung des maschinellen Lernens.

In diesem Artikel werden folgende Fragen behandelt:

  1. Was ist unter Wahrheitsmatrix gemeint und warum wird sie gebraucht?
  2. Wie wird die Wahrheitsmatrix für ein binäres Klassifizierungsproblem berechnet?

Was ist unter Wahrheitsmatrix gemeint und warum wird sie gebraucht?

Sie dient also zur Leistungsmessung bei der Klassifikation des maschinellen Lernens, wobei die Ausgabe zwei oder mehr Klassen umfassen kann. Nachfolgend ist dies wie eine Tabelle mit 4 verschiedenen Kombinationen von vorhergesagten und tatsächlichen Werten dargestellt.

Anhand der Wahrheitsmatrix werden Trefferquote, Genauigkeit, Spezifität, Treffergenauigkeit und vor allem die AUC-ROC-Kurve gemessen.

Um alle diese Werte (TP, FP, FN, TN) zu verstehen, verwenden wir die Analogie zur Schwangerschaft.

Richtig positiv (TP/True Positive):

Interpretation: Es wurde ein positives Ergebnis vorhergesagt und es ist richtig.

Es wurde vorhergesagt, dass eine Frau schwanger ist und sie ist es tatsächlich.

Richtig negativ (TN/True Negative):

Interpretation: Es wurde ein negatives Ergebnis vorhergesagt und es ist richtig.

Es wurde vorhergesagt, dass ein Mann nicht schwanger ist und er ist es tatsächlich nicht.

Falsch positiv (FP/False Positive): Fehler 1. Art

Interpretation: Es wurde ein positives Ergebnis vorhergesagt und es ist falsch.

Es wurde vorhergesagt, dass ein Mann schwanger ist, aber er ist es tatsächlich nicht.

Falsch negative (FN/False Negative): Fehler 2. Art

Interpretation: Es wurde ein negatives Ergebnis vorhergesagt und es ist falsch.

Es wurde vorhergesagt, dass eine Frau nicht schwanger ist, aber sie ist es tatsächlich.

Beachten Sie, dass vorhergesagte Werte als positiv und negativ und tatsächliche Werte als richtig und falsch bezeichnet wurden.

Wie wird die Wahrheitsmatrix für ein binäres Klassifizierungsproblem berechnet?

Es ist sinnvoll, die Wahrheitsmatrix durch Mathematik zu verstehen.

Trefferquote

Wie viele von allen positiven Klassen wurden richtig vorhergesagt? Das Ergebnis sollte möglichst hoch sein.

Genauigkeit

Wie viele von allen Klassen wurden richtig vorhergesagt? Das Ergebnis sollte möglichst hoch sein.

F-Maß

Da es schwierig ist, zwei Modelle mit niedriger Genauigkeit und hoher Trefferquote oder umgekehrt zu vergleichen, wurden zu ihrem Vergleich verschiedene kombinierte Maße verwendet. Das F-Maß kombiniert Trefferquote und Genauigkeit mithilfe des gewichtetes harmonischen Mittels anstelle des arithmetischen Mittels, indem die Extremwerte stärker bestraft werden.

Möchten Sie mehr über die Wahrheitsmatrix und ihre Berechnung für einen binären Klassifikator erfahren, so können Sie sich an das Team von AI-United.de per Mail oder Q&A wenden.

Quelle

AI-United-Redaktion

Kommentar hinzufügen

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.