مصفوفة الارتباك في التعلم الآلي: الحل الشامل الخاص بك

في ، لدينا عادة نوعان مختلفان من حالات الاستخدام ، و و مشكلة. تساعد مصفوفة الارتباك في حساب دقة نموذج التصنيف مما يساعدنا بشكل غير مباشر في وصف أداء نموذج التصنيف. إنها أهم خطوة عندما يتعلق الأمر بتقييم النموذج. سأغطي الموضوعات التالية في هذه المقالة:

1. ما هي مصفوفة الارتباك؟

2. دقة ومكونات مصفوفة الارتباك

3. الدقة والاستدعاء والتدبير F

4. إنشاء مصفوفة الارتباك باستخدام Python و Sklearn

ما هي مصفوفة الارتباك؟

من الشكل أعلاه:
نحن لدينا،

هو دراسات عليا مثل الماجستير

• القيمة الفعلية للفئة 1 = 1 والتي تشبه القيمة الإيجابية في نتيجة ثنائية.
• القيمة الفعلية للفئة 2 = 0 والتي تشبه القيمة السالبة في النتيجة الثنائية.

يشير فهرس الجانب الأيسر من مصفوفة الارتباك بشكل أساسي إلى القيم الفعلية ويشير العمود العلوي إلى القيم المتوقعة.

توجد العديد من المكونات عندما نقوم بإنشاء مصفوفة الارتباك. المكونات مذكورة أدناه

إيجابي (P): النتيجة المتوقعة إيجابية (مثال: الصورة قطة)

سلبي (N): النتيجة المتوقعة سلبية (مثال: الصور ليست قطة)

إيجابي حقيقي (TP): هنا يشير TP بشكل أساسي إلى القيم المتوقعة والفعلية هي 1 (صواب)

سلبي حقيقي (TN): هنا يشير TN إلى القيمة المتوقعة والقيمة الفعلية هي 0 (خطأ)

سلبي كاذب (FN): هنا يشير FN إلى أن القيمة المتوقعة هي 0 (سلبية) والقيمة الفعلية هي 1. هنا لا تتطابق كلا القيمتين. ومن ثم فهي سلبية كاذبة.

إيجابية كاذبة (FP): هنا يشير FP إلى أن القيمة المتوقعة هي 1 (موجب) والقيمة الفعلية هي 0. هنا مرة أخرى كلا القيمتين غير متطابقتين. ومن ثم فهي إيجابية كاذبة.

دقة ومكونات مصفوفة الارتباك

• دقة التصنيف

من الصيغة أعلاه ، مجموع TP (إيجابي حقيقي) و TN (سلبي حقيقي) هي النتائج المتوقعة الصحيحة. ومن ثم من أجل حساب الدقة بالنسبة المئوية ، نقسم على جميع المكونات الأخرى. ومع ذلك ، هناك بعض المشاكل في الدقة ولا يمكننا الاعتماد عليها بشكل كامل.

دعونا نعتبر أن مجموعة البيانات الخاصة بنا غير متوازنة تمامًا. في هذا السيناريو ، يمكن أن تكون الدقة بنسبة 98٪ جيدة أو سيئة بناءً على بيان المشكلة. ومن ثم ، لدينا بعض المصطلحات الأساسية التي ستساعدنا على التأكد من الدقة التي نحسبها. الشروط كما هو موضح أدناه:

• TPR (المعدل الإيجابي الحقيقي) أو الحساسية:

المعدل الإيجابي الحقيقي الذي يُعرف أيضًا باسم الحساسية يقيس النسبة المئوية للإيجابية الحقيقية فيما يتعلق بإجمالي الإيجابيات الفعلية والتي يشار إليها بواسطة (TP + FN)

• TNR (معدل سلبي حقيقي) أو خصوصية:

المعدل السلبي الحقيقي أو الخصوصية يقيس نسبة السلبيات الفعلية فيما يتعلق بالسلبيات الإجمالية

TNR = سلبي حقيقي / (سلبي حقيقي + إيجابي خطأ)

• المعدل الإيجابي الكاذب (FPR):

المعدل الإيجابي الكاذب هو النسبة المئوية للتنبؤ بالإيجابية الكاذبة (FP) إلى إجمالي عدد النتائج الإيجابية المتوقعة (TP + FP).

• معدل سلبي كاذب (FNR):

المعدل السلبي الكاذب هو النسبة المئوية للنتائج السلبية الكاذبة (FP) إلى إجمالي عدد النتائج السلبية المتوقعة (TN + FN).

الدقة والاستدعاء والقياس F.

• اعد الاتصال:

يشبه الاسترجاع المعدل الإيجابي الحقيقي وهو نسبة العدد الإجمالي للقيم الإيجابية المتوقعة بشكل صحيح (TP) إلى جميع القيم الإيجابية.

• الاحكام:

تشير الدقة بشكل أساسي إلى جميع النقاط التي توقع النموذج أن تكون إيجابية والنسبة المئوية منها إيجابية بالفعل.

أين يجب التصريح عن متغيرات الحالة في جافا

الدقة والاستدعاء عبارة عن نتائج مقاييس تركز على الفئة الإيجابية كما هو موضح من الصيغ أعلاه.

• قياس F

لذا فإن F-Measure هي تقنية تجمع بين كل من تقنية Precision و Recall وتستخدم المتوسط ​​التوافقي بدلاً من المتوسط ​​الحسابي المعتاد ، والذي بسببه يتم معاقبة القيم القصوى. يُطلق على مقياس F أيضًا اسم درجة F1 ويتم توفيره بواسطة الصيغة أدناه.

دعونا نفكر في مثال ونرى كيف يمكننا حساب الدقة والدقة والاستدعاء ودرجة F1.

• • الدقة = (TP + TN) / (TP + TN + FP + FN) = (150 + 100) / (150 + 100 + 20 + 10) = 0.89
  • استدعاء = TP / (TP + FN) = 150 / (150 + 10) = 0.93
  • الدقة: TP / (TP + FP) = 150 / (150 + 20) = 0.88

• قياس F = (2 * استدعاء * الدقة) / (استدعاء + ضبط مسبق) = (2 * 0.93 * 0.88) / (0.93 + 0.88) = 0.90

إنشاء مصفوفة الارتباك باستخدام Python و Sklearn

سنرى الآن مثالًا على كيفية إنشاء مصفوفة ارتباك باستخدام Python جنبًا إلى جنب مع مكتبة sklearn.

واحد. في البداية ، سنقوم بإنشاء قائمة بالبيانات الفعلية والمتوقعة للتحقق من الدقة كما هو موضح أدناه

# نص بايثون لإنشاء مصفوفة ارتباك. البيانات الفعلية = [1 ، 1 ، 0 ، 1 ، 0 ، 0 ، 1 ، 0 ، 0 ، 0،1،0،1] البيانات المتوقعة = [0 ، 1 ، 1 ، 1 ، 0 ، 0 ، 1 ، 0 ، 1 ، 0،1،0،1]

2. نحتاج إلى استيراد مصفوفة الارتباك من مكتبة sklearn كما هو موضح أدناه:

من sklearn.metrics استيراد confusion_matrix

3. بعد ذلك ، سننشئ مصفوفة الارتباك كما هو موضح أدناه:

final_results = confusion_matrix (البيانات الفعلية ، البيانات المتوقعة)

أربعة. الآن يمكننا المضي قدمًا وحساب الدقة عن طريق استيراد المكتبة كما هو موضح أدناه:

من sklearn.metrics دقة الاستيراد الدقة = دقة الدقة (البيانات الفعلية ، البيانات المتوقعة)

5. أخيرًا ، نحسب درجة F1 أو F- قياس كما هو موضح أدناه:

من sklearn.metrics استيراد تصنيف_تقرير = تصنيف_تقرير (البيانات_الفعلية ، توقع_بيانات)

فيما يلي الكود الكامل:

البيانات الفعلية = [1 ، 1 ، 0 ، 1 ، 0 ، 0 ، 1 ، 0 ، 0 ، 0،1،0،1] البيانات المتوقعة = [0 ، 1 ، 1 ، 1 ، 0 ، 0 ، 1 ، 0 ، 1 ، 0،1،0،1] من sklearn.metrics الاستيراد confusion_matrix final_results = confusion_matrix (البيانات الفعلية ، البيانات المتوقعة) طباعة (النتائج النهائية) من sklearn.metrics دقة الاستيراد الدقة = دقة_سكور (البيانات الفعلية ، البيانات المتوقعة) من تقرير تصنيف_تقرير الاستيراد sklearn.metrics البيانات الفعلية ، البيانات المتوقعة) طباعة (دقة) طباعة (تقرير)

بهذا نصل إلى نهاية هذا المقال. آمل أن يتم حل كل ارتباكك حول مصفوفة الارتباك.