Was Konfusionsmatrix bedeutet

Eine Konfusionsmatrix unterteilt die Klassifizierungsergebnisse in wahr-positive, falsch-positive, wahr-negative und falsch-negative Ergebnisse. Bei Problemen mit mehreren Klassen wird angezeigt, wie oft jede tatsächliche Klasse als jede mögliche Klasse vorhergesagt wird.

Warum das wichtig ist

Verwirrungsmatrizen sind wichtig, weil sie das Fehlermuster offenbaren, nicht nur die Gesamtpunktzahl. Sie helfen Teams zu erkennen, welche Klassen verwirrt sind, ob falsch-positive oder falsch-negative Ergebnisse dominieren und worauf sich Modellverbesserungen konzentrieren sollten.

Häufige Anwendungen

  • Untersuchen von binären Klassifikatorfehlern.
  • Analyse von Klassifizierungsfehlern bei mehreren Klassen.
  • Berechnung von Genauigkeit, Präzision, Recall und F1.
  • Schwellenwerte wählen.
  • Stakeholdern Modellverhalten erklären.

Worauf zu achten ist

Eine Konfusionsmatrix ist nur so zuverlässig wie die Labels und Testdaten dahinter. Bei unausgeglichenen Datensätzen können große richtig-negative Zahlen eine schlechte Leistung in seltenen, aber wichtigen positiven Fällen verbergen.

Konfusionsmatrix lässt sich am besten im Kontext verstehen: welche Daten verwendet werden, welche Aufgabe unterstützt wird und wie die Ausgabe geprüft wird.