Confusion Matrixని ఎలా లెక్కించాలి
Confusion Matrix అంటే ఏమిటి?
Creates confusion matrix showing actual vs. predicted classifications. Basis for evaluation metrics.
సూత్రం
Accuracy = (TP+TN) / total
- TP
- TN/(TN+FP) — TN/(TN+FP)
- TN
- TN value — Variable used in the calculation
దశల వారీ గైడ్
- 14 cells: TP (correct positive), FP (false positive), FN (false negative), TN (correct negative)
- 2Accuracy = (TP+TN) / total
- 3Sensitivity/Recall = TP/(TP+FN), Specificity = TN/(TN+FP)
- 4Precision = TP/(TP+FP)
పరిష్కరించిన ఉదాహరణలు
ఇన్పుట్
TP/FP/TN/FN
ఫలితం
Metrics calc
నివారించాల్సిన సాధారణ తప్పులు
- ✕Using accuracy for imbalanced data (wrong)
- ✕Confusing sensitivity and specificity
- ✕Not balancing precision/recall tradeoff
తరచుగా అడిగే ప్రశ్నలు
When use different metrics?
Accuracy: balanced classes; precision: minimize false positives; recall: minimize false negatives.
What about imbalanced classes?
Accuracy misleading; use precision, recall, F1-score, or AUC instead.
లెక్కించడానికి సిద్ధంగా ఉన్నారా? ఉచిత Confusion Matrix కాలిక్యులేటర్ని ప్రయత్నించండి
దీన్ని మీరే ప్రయత్నించండి →