혼동 행렬 생성기

혼동 행렬(Confusion Matrix)로 무엇을 표현할 수 있나요?

혼동 행렬 생성기는 모델의 실제 클래스(Actual)와 예측 클래스(Predicted)를 비교하여, 단일 정확도 점수(Accuracy) 뒤에 숨겨진 모델의 분류 오류 패턴을 시각화합니다. 대각선 셀은 올바른 예측을 나타내며, 대각선 외의 셀은 모델이 어떤 클래스를 혼동하고 있는지 보여줍니다.

혼동 행렬 생성을 위한 데이터 요구사항

• 행 단위의 실제 라벨과 예측 라벨 데이터 세트, 또는 클래스별 빈도가 요약된 정방 행렬(Square Table)을 업로드하세요.
• 행과 열의 클래스 이름 및 정렬 순서가 완전히 일치해야 합니다.
• 평가 프로토콜상 필요한 경우에만 샘플 가중치(Sample Weights)를 적용하세요.
• 각 셀이 원시 빈도수(Raw Counts), 행 백분율, 열 백분율, 전체 비율 중 무엇을 나타내는지 명시해야 합니다.

혼동 행렬 연구 활용 사례

• 이진 혼동 행렬 예시
• 다중 클래스 혼동 행렬
• 정규화 혼동 행렬
• 혼동 행렬 히트맵
• 머신러닝 혼동 행렬
• 정밀도·재현율 포함 혼동 행렬

모델 평가에 혼동 행렬이 필요한 이유

• 위양성(False Positive)과 위음성(False Negative)을 유발하는 특정 클래스를 정확히 식별합니다.
• 높은 전체 정확도에 가려진 소수 클래스(Minority Class)의 성능 저하 문제를 감지합니다.
• 원시 빈도수와 정규화된 클래스별 비율을 상호 비교할 수 있습니다.
• 예측 결과 데이터로부터 논문 게재용 모델 평가 피겨를 재현 가능한 방식으로 생성합니다.

혼동 행렬 생성기 사용 방법

예제를 선택하거나 CSV, TSV, TXT, XLSX, XLS 중 파일 1개를 업로드하세요. 감지된 열을 확인하고 차트를 만든 다음 SciVis에서 편집합니다. Excel은 첫 번째 워크시트를 사용합니다.

가독성 높은 혼동 행렬의 필수 구성 요소

• 명확하게 표시된 Actual(실제값) 및 Predicted(예측값) 축 라벨.
• 일관된 순서로 정렬된 클래스 이름.
• 각 셀의 수치 값과 가독성이 확보된 순차적 색상 스케일(Sequential Color Scale).
• 테스트 데이터 세트 정보, 정규화 방법, 총 샘플 수가 명시된 캡션.

혼동 행렬 vs ROC 커브, 어떤 것을 선택해야 할까요?

특정 결정 임계값(Decision Threshold)에서의 클래스별 분류 결과를 상세히 분석하려면 혼동 행렬을 사용하세요. 임계값 변화에 따른 전반적인 모델 성능을 평가하려면 ROC 커브 또는 Precision-Recall 커브를 사용해야 합니다. 특히 불균형 데이터 세트에서는 Precision-Recall 커브가 ROC 커브보다 더 유용한 정보를 제공합니다.