Matrice de confusion

Dans le domaine de l'intelligence artificielle , une matrice de confusion de est un outil de visualisation typiquement utilisé dans le dirigé l'étude de (dans le de étude non surveillé ce s'appelle typiquement une matrice assortie ). Chaque colonne de la matrice représente les exemples dans une classe prévue, alors que chaque rangée représente les exemples dans une classe réelle. Un avantage d'une matrice de confusion est qu'il est facile de voir si le système confond deux classes (c. généralement mal étiquetant un en tant qu'autres).

Quand un ensemble de données est déséquilibré (quand le nombre d'échantillons dans différentes classes varient considérablement) le taux d'erreur d'un classificateur n'est pas représentant de l'exécution vraie du classificateur. Ceci peut facilement être compris par un exemple. S'il y a par exemple 990 échantillons provenant des échantillons de la classe 1 et seulement 10 provenant de la classe 2, le classificateur peut facilement être décentré vers la classe 1. Si le classificateur classifie tous les échantillons comme classe 1, l'exactitude sera 99%. Ce n'est pas une bonne indication de l'exécution vraie du classificateur. Le classificateur a eu un taux 100% d'identification pour la classe 1 mais un taux d'identification de 0% pour la classe 2.

Dans la matrice de confusion d'exemple ci-dessous, des 8 chats réels, le système a prévu que trois étaient des chiens, et des six chiens, il a prévu qu'on était un lapin et deux étaient des chats. Nous pouvons voir de la matrice que le système en question a l'ennui distinguer les chats et les chiens, mais pouvons faire la distinction entre les lapins et d'autres types d'animaux assez bien.

Random links: