Q:
Warum ist eine Verwirrungsmatrix in ML nützlich?
EIN:Es gibt verschiedene Möglichkeiten, darüber zu sprechen, warum eine Verwirrungsmatrix beim maschinellen Lernen (ML) von Nutzen ist. Eine der einfachsten Möglichkeiten besteht jedoch darin, zu erklären, dass die Verwirrungsmatrix eine Datenvisualisierungsressource ist.
Eine Verwirrungsmatrix ermöglicht es dem Betrachter, die Ergebnisse der Verwendung eines Klassifikators oder eines anderen Algorithmus auf einen Blick zu sehen. Durch die Verwendung einer einfachen Tabelle zur Anzeige der Analyseergebnisse führt die Verwirrungsmatrix Ihre Ausgaben im Wesentlichen zu einer übersichtlicheren Ansicht.
Die Verwirrungsmatrix verwendet eine bestimmte Terminologie, um die Ergebnisse zu ordnen. Es gibt wahre Positive und wahre Negative sowie falsche Positive und falsche Negative. Bei einer komplizierteren Verwirrungsmatrix oder einer Matrix, die auf einer Vergleichsklassifizierung basiert, können diese Werte als tatsächliche und vorhergesagte Klassen für zwei unterschiedliche Objekte angezeigt werden.
Unabhängig von der semantischen Terminologie werden die Ergebnisse in einer quadratischen (oder rechteckigen) Tabelle zusammengefasst.
Mit dieser Ansicht können Analysten leichter erkennen, wie genau ein Algorithmus die Ergebnisse klassifiziert. (Lesen Sie, wie neue Generatoren moderne Algorithmen auf ASCII-Art anwenden.)
Die Nützlichkeit der Verwirrungsmatrix hängt mit der Komplexität von ML-Projekten zusammen und auch mit der Art und Weise, wie Informationen formatiert und den Benutzern bereitgestellt werden. Stellen Sie sich eine Reihe linearer Ergebnisse vor, einschließlich falsch positiver, falsch negativer, wahr positiver und wahr negativer Ergebnisse. (Lesen Sie Machine Learning 101.)
Ein Benutzer müsste all diese linearen Ergebnisse in einem Diagramm tabellieren, um zu verstehen, wie der Algorithmus funktioniert und wie genau er ist. Mit der Verwirrungsmatrix werden diese Informationen einfach in einem leistungsstarken visuellen Modell dargestellt.
Angenommen, die Maschine wird aufgefordert, 20 Bilder zu klassifizieren, von denen fünf Früchte und fünf Gemüse sind. Wenn eine Verwirrungsmatrix den folgenden Inhalt enthält (von links oben im Uhrzeigersinn): 7, 5, 3, 5, dann zeigt die Matrix, dass sieben korrekt als Gemüse identifiziert wurden, während drei korrekt als Obst klassifiziert wurden.
Die anderen 10 sind Ergebnisse, bei denen das Programm das Bild nicht richtig identifiziert hat.
Die Verwirrungsmatrix wird bei allen Arten von ML-Analysen nützlich sein. Mithilfe dieser Ressource können Benutzer herausfinden, wie sie mit Problemen wie Dimensionalität und Überanpassung sowie anderen Möglichkeiten zur Optimierung eines Algorithmus umgehen können.
