Beispiele für Confusion Matrizen.
Ein Tool, vier Anfragen. Alle Diagramme unten wurden tatsächlich erstellt.
Was eine Confusion Matrix ist.
Eine Confusion Matrix ist eine Tabelle zur Bewertung eines Klassifikationsmodells. Die Zeilen stellen die tatsächliche Klasse dar, die Spalten die vorhergesagte Klasse. Jede Zelle zählt, wie oft das Modell dieses Verhältnis aus tatsächlicher und vorhergesagter Klasse erzeugt hat.
Die Diagonale enthält die korrekten Klassifizierungen. Zellen außerhalb der Diagonalen zeigen die konkreten Fehler, etwa wenn Abrechnungstickets an den technischen Support gesendet werden. Aus diesen Anzahlen kannst du Accuracy, Precision, Recall, Spezifität und den F1-Score berechnen.
- Engine
- echarts-heatmap
- Editable
- Describe the change
- Export
- SVG · PNG · PDF
Wer Confusion Matrizen verwendet.
Prüfen, welche Klassen ein Routing-Modell verwechselt, bevor sie Features oder Schwellenwerte ändern.
Besprechen falsche Genehmigungen und Fehlalarme in einem Betrugserkennungsmodell.
Verknüpfen Klassifikationsanzahlen visuell mit Accuracy, Precision und Recall.
So erstellst du in drei Schritten eine Confusion Matrix.
Beschreiben
Ein Absatz reicht für den Anfang.
Diagramm ansehen
Die passende Engine erstellt das Diagramm.
Änderungen angeben
Für jede Änderung wird eine Version gespeichert.
Häufige Fragen
Was ist eine Confusion Matrix?
Eine Confusion Matrix ist eine Leistungstabelle für ein Klassifikationsmodell. Sie stellt tatsächliche Klassen den vorhergesagten Klassen gegenüber und trennt korrekte Vorhersagen von den einzelnen Fehlerarten.
Wie lese ich eine Confusion Matrix?
Lies die Diagonale als korrekte Vorhersagen und die Zellen außerhalb der Diagonalen als Fehler. Große Werte außerhalb der Diagonalen zeigen, welche Klassen das Modell am häufigsten verwechselt.
Kann eine Confusion Matrix mehr als zwei Klassen haben?
Ja. Ein N-Klassen-Modell verwendet eine N-mal-N-Matrix mit jeweils einer Zeile und einer Spalte pro Klasse.
Welche Kennzahlen kann ich aus einer Confusion Matrix berechnen?
Zu den gängigen Kennzahlen gehören Accuracy, Precision, Recall, F1-Score und Spezifität. Die geeignete Kennzahl hängt davon ab, welche Fehlerart am wichtigsten ist.
Weitere Diagramme für Ihre Arbeit.
Erstelle jetzt eine Confusion Matrix.
Kostenloses Konto, keine Karte. Gib die tatsächlichen und vorhergesagten Klassenanzahlen an.
Editor öffnen