Machine Learning - Confusion Matrix
Confusion Matrix 混淆矩陣
- TP(True Positive): 實際為 True，預測為 Positive，預測的結果與實際情況相同
- TN(True Negative): 實際為 False，預測為 Negative，預測的結果與實際情況不同
- FP(False Positive): 實際為 False，預測為 Positive，預測的結果與實際情況不同，Type I Error
- FN(False Negative): 實際為 True，預測為 Negative，預測的結果與實際情況不同，Type II Error
Error
因為實際為 False，無論預測為 Positive 還是 Negative，都會希望他不要出現，因此兩種狀況被稱為 Error
又分別分為 Type I Error 和 Type II E，尤其 Type I Error 又更嚴重
因為實際 False，卻預測是 Positive，會比實際 True 但預測 Negative 嚴重
模型評估指標
Accuracy準確率
在所有資料總數中，較在意實際資料為 True 的數量
Precision 精確率
在所有預測是 Positive的狀況中，較在意 True Positive 的數量
Recall 召回率
在所有實際值都是 Yes的狀況中，較在意 True Positive 的數量
F-Measure
F1-score
Reference
- Hundred-Page Machine learning Book by A. Burkov
- 黃貞瑛老師的機器學習課程
- 機器學習模型評估指標-confusion matrix, precision, recall, and ,F1-score
- Day 11 - Confusion Matrix 混淆矩陣-模型的好壞 (1)
- 不平衡資料的二元分類 1：選擇正確的衡量指標