Generatore di matrici di confusione

Cosa mostra il Confusion Matrix Generator?

Il Confusion Matrix Generator (matrice di confusione) confronta le classi reali con quelle predette da un modello, rendendo visibili gli errori di classificazione anziché sintetizzarli in un unico punteggio di accuratezza. La diagonale principale contiene le predizioni corrette; le celle fuori diagonale mostrano quali classi vengono confuse dal modello.

Requisiti dei dati per il Confusion Matrix Generator

• Carica etichette reali (actual) e predette (predicted) a livello di singola riga, oppure una tabella quadrata con i conteggi per classe.
• Usa gli stessi nomi di classe e lo stesso ordine sia per le righe che per le colonne.
• Includi i pesi dei campioni solo se richiesto dal protocollo di valutazione.
• Specifica se le celle mostrano conteggi assoluti, percentuali di riga, percentuali di colonna o proporzioni sul totale.

Esempi di applicazione nella ricerca per il Confusion Matrix Generator

• Esempio di matrice di confusione binaria
• Matrice di confusione multiclasse
• Matrice di confusione normalizzata
• Mappa di calore della confusione
• Matrice di confusione per machine learning
• Matrice con precision e recall

Perché usare una matrice di confusione per valutare un modello?

• Identifica quali classi generano falsi positivi e falsi negativi.
• Rileva casi in cui un'elevata accuratezza globale nasconde scarse prestazioni sulle classi minoritarie.
• Confronta i conteggi grezzi con i tassi normalizzati a livello di classe.
• Genera una figura riproducibile per la valutazione del modello a partire dalle predizioni esportate.

Come usare Generatore di matrici di confusione

Scegli un esempio o carica un file CSV, TSV, TXT, XLSX o XLS. Controlla le colonne rilevate, genera il grafico e modificalo in SciVis. Per Excel viene importato il primo foglio.

Elementi essenziali di una matrice di confusione efficace

• Etichette degli assi esplicite per i valori reali (Actual) e predetti (Predicted).
• Nomi delle classi disposti in ordine coerente.
• Valori numerici all'interno delle celle associati a una scala cromatica sequenziale leggibile.
• Una didascalia che indichi il test set utilizzato, il metodo di normalizzazione e la numerosità campionaria.

Matrice di confusione o curva ROC?

Usa una matrice di confusione per esaminare i risultati specifici delle classi a una determinata soglia di decisione. Usa una curva ROC o una curva precision-recall per valutare le prestazioni al variare delle soglie. In caso di dati fortemente sbilanciati, la curva precision-recall è spesso più informativa della sola ROC.