Konfusionsmatrix-Generator

Was zeigt eine Confusion Matrix (Konfusionsmatrix)?

Eine Confusion Matrix vergleicht tatsächliche (Ground Truth) und vorhergesagte Klassen, sodass Klassifikationsfehler von Modellen im Detail sichtbar bleiben, statt in einem einzigen Metrik-Score wie der Accuracy unterzugehen. Die Diagonale zeigt korrekte Vorhersagen; Zellen abseits der Diagonale zeigen, welche Klassen das Modell verwechselt.

Datenanforderungen für den Confusion-Matrix-Generator

• Laden Sie entweder Rohdaten mit tatsächlichen und vorhergesagten Labels pro Zeile hoch, oder eine quadratische Kreuztabelle mit den aggregierten Häufigkeiten.
• Verwenden Sie exakt dieselben Klassennamen und dieselbe Reihenfolge für Zeilen und Spalten.
• Fügen Sie Stichprobengewichtungen (Sample Weights) nur hinzu, wenn das Evaluierungsprotokoll dies explizit erfordert.
• Geben Sie an, ob die Zellen absolute Häufigkeiten, Zeilenprozente, Spaltenprozente oder Gesamtanteile zeigen.

Anwendungsbeispiele aus der Forschung für Confusion Matrices

• Beispiel einer binären Konfusionsmatrix
• Mehrklassige Konfusionsmatrix
• Normalisierte Konfusionsmatrix
• Heatmap der Konfusionsmatrix
• Konfusionsmatrix für maschinelles Lernen
• Konfusionsmatrix mit Precision und Recall

Warum eine Confusion Matrix zur Modellevaluierung nutzen?

• Präzise analysieren, welche Klassen für False Positives und False Negatives verantwortlich sind.
• Scheinbar hohe Gesamtgenauigkeiten (Accuracy) entlarven, die eine schlechte Performance bei seltenen Minderheitenklassen maskieren.
• Absolute Häufigkeiten direkt mit normalisierten klassenspezifischen Raten vergleichen.
• Eine reproduzierbare Abbildung zur Modellevaluierung direkt aus den exportierten Vorhersagen generieren.

So verwenden Sie Konfusionsmatrix-Generator

Wählen Sie ein Beispiel oder laden Sie eine CSV-, TSV-, TXT-, XLSX- oder XLS-Datei hoch. Prüfen Sie die erkannten Spalten, erzeugen Sie das Diagramm und bearbeiten Sie es in SciVis. Bei Excel wird das erste Tabellenblatt verwendet.

Elemente einer präzisen Confusion Matrix

• Eindeutige Achsenbeschriftungen für die tatsächliche Klasse (Actual) und die vorhergesagte Klasse (Predicted).
• Konsistente Reihenfolge der Klassennamen auf beiden Achsen.
• Zahlenwerte in den Zellen kombiniert mit einer gut lesbaren, sequentiellen Farbskala.
• Eine Bildunterschrift mit Angaben zum Test-Set, der Normalisierungsmethode und der Stichprobengröße (N).

Confusion Matrix oder ROC-Kurve?

Nutzen Sie eine Confusion Matrix, um die konkreten Klassifikationsergebnisse bei einem festen Entscheidungsschwellenwert (Decision Threshold) zu analysieren. Verwenden Sie eine ROC- oder Precision-Recall-Kurve, um die Modellleistung über alle Schwellenwerte hinweg zu bewerten. Bei unbalancierten Datensätzen ist eine Precision-Recall-Kurve oft aussagekräftiger als die ROC-Kurve.