อะไรคือเมทริกซ์ความสับสน

หนึ่งในเครื่องมือวิเคราะห์ที่ทรงพลังที่สุดในเครื่องมือการเรียนรู้ของเครื่องและวิทยาศาสตร์ข้อมูลคือ เมทริกซ์ความสับสน เมทริกซ์ความสับสนสามารถให้ข้อมูลที่มีรายละเอียดเกี่ยวกับว่าเครื่องเรียนรู้ของเครื่องจำแนกประเภทได้ดีเพียงใดเมื่อเปรียบเทียบกับชั้นเรียนเป้าหมายในเซตข้อมูล เมทริกซ์ความสับสนจะแสดงตัวอย่างที่จำแนกประเภทได้อย่างถูกต้องเทียบกับตัวอย่างที่จำแนกประเภทผิด มาทำความเข้าใจกันว่าเมทริกซ์ความสับสนมีโครงสร้างอย่างไรและสามารถตีความได้อย่างไร

อะไรคือเมทริกซ์ความสับสน?

เรามาเริ่มต้นด้วยการให้นิยามที่ง่ายของเมทริกซ์ความสับสน เมทริกซ์ความสับสนเป็นเครื่องมือวิเคราะห์แบบคาดการณ์ โดยเฉพาะอย่างยิ่ง เป็นตารางที่แสดงและเปรียบเทียบค่าจริงกับค่าที่คาดการณ์โดยโมเดล ในบริบทของการเรียนรู้ของเครื่อง เมทริกซ์ความสับสนใช้เป็นเมตริกในการวิเคราะห์ประสิทธิภาพของเครื่องเรียนรู้ของเครื่องในเซตข้อมูล เมทริกซ์ความสับสนสร้างภาพของเมตริก เช่น ความแม่นยำ ความถูกต้อง ความเฉพาะเจาะจง และการเรียกกลับ

สาเหตุที่เมทริกซ์ความสับสนมีประโยชน์เป็นพิเศษคือ ไม่เหมือนกับเมตริกการจำแนกประเภทอื่นๆ เช่น ความแม่นยำอย่างง่าย เมทริกซ์ความสับสนสร้างภาพที่สมบูรณ์ยิ่งขึ้นเกี่ยวกับว่าโมเดลทำงานได้ดีเพียงใด การใช้เพียงเมตริกความแม่นยำอาจทำให้เกิดสถานการณ์ที่โมเดลระบุชั้นเรียนหนึ่งผิดอย่างสมบูรณ์และสม่ำเสมอ แต่ไม่ได้รับการสังเกตเนื่องจากประสิทธิภาพโดยเฉลี่ยดี ในขณะที่เมทริกซ์ความสับสน ให้การเปรียบเทียบของค่าต่างๆ เช่น False Negatives, True Negatives, False Positives และ True Positives

มาทำความเข้าใจเกี่ยวกับเมตริกที่แตกต่างกันที่เมทริกซ์ความสับสนแสดง

การเรียกกลับในเมทริกซ์ความสับสน

การเรียกกลับเป็นจำนวนของตัวอย่างที่เป็นบวกจริงๆ หารด้วยจำนวนของตัวอย่างที่เป็นบวกจริงๆ และจำนวนของตัวอย่างที่เป็นบวกทั้งหมด ในอีกนัยหนึ่ง การเรียกกลับเป็นตัวแทนของสัดส่วนของตัวอย่างที่เป็นบวกจริงๆ ที่โมเดลการเรียนรู้ของเครื่องจำแนกประเภทได้ การเรียกกลับแสดงเป็นเปอร์เซ็นต์ของตัวอย่างที่เป็นบวกที่โมเดลสามารถจำแนกประเภทได้จากทั้งหมดของตัวอย่างที่เป็นบวกในเซตข้อมูล ค่านี้อาจเรียกว่า “อัตราการตี” และค่าที่เกี่ยวข้องคือ “ความไว” ซึ่งอธิบายถึงความน่าจะเป็นของการเรียกกลับหรืออัตราการคาดการณ์ที่เป็นบวกจริงๆ

ความแม่นยำในเมทริกซ์ความสับสน

เช่นเดียวกับการเรียกกลับ ความแม่นยำเป็นค่าที่ติดตามประสิทธิภาพของโมเดลในการจำแนกประเภทตัวอย่างที่เป็นบวก แต่ไม่เหมือนกับการเรียกกลับ ความแม่นยำเกี่ยวข้องกับจำนวนของตัวอย่างที่โมเดลระบุเป็นบวกที่เป็นจริงๆ เพื่อคำนวณสิ่งนี้ จำนวนของตัวอย่างที่เป็นบวกจริงๆ หารด้วยจำนวนของตัวอย่างที่เป็นบวกเท็จบวกตัวอย่างที่เป็นบวกจริงๆ

เพื่อให้ความแตกต่างระหว่างการเรียกกลับและความแม่นยำชัดเจนยิ่งขึ้น ความแม่นยำมุ่งหมายเพื่อกำหนดเปอร์เซ็นต์ของทั้งหมดของตัวอย่างที่ระบุเป็นบวกที่เป็นจริงๆ ในขณะที่การเรียกกลับติดตามเปอร์เซ็นต์ของทั้งหมดของตัวอย่างที่เป็นบวกจริงๆ ที่โมเดลสามารถจำแนกประเภทได้

ความเฉพาะเจาะจงในเมทริกซ์ความสับสน

ในขณะที่การเรียกกลับและความแม่นยำเป็นค่าที่ติดตามตัวอย่างที่เป็นบวกและอัตราการคาดการณ์ที่เป็นบวกจริงๆ ความเฉพาะเจาะจง量ifies อัตราการคาดการณ์ที่เป็นลบที่แท้จริงหรือจำนวนของตัวอย่างที่โมเดลระบุเป็นลบที่เป็นจริงๆ ซึ่งคำนวณโดยการหารจำนวนของตัวอย่างที่จำแนกประเภทเป็นลบด้วยจำนวนของตัวอย่างที่เป็นบวกเท็จบวกตัวอย่างที่เป็นลบที่แท้จริง

การทำความเข้าใจเมทริกซ์ความสับสน

Photo: Jackverr via Wikimedia Commons, (https://commons.wikimedia.org/wiki/File:ConfusionMatrix.png), CC BY SA 3.0

ตัวอย่างของเมทริกซ์ความสับสน

หลังจากที่เราได้นิยามคำศัพท์ที่จำเป็น เช่น ความแม่นยำ การเรียกกลับ ความไว และความเฉพาะเจาะจง เราสามารถตรวจสอบว่าค่าเหล่านี้แสดงอย่างไรภายในเมทริกซ์ความสับสน เมทริกซ์ความสับสนถูกสร้างขึ้นในกรณีการจำแนกประเภท ซึ่งสามารถใช้ได้เมื่อมีหลายชั้นเรียน เมทริกซ์ความสับสนที่สร้างขึ้นอาจมีขนาดใหญ่เท่าที่ต้องการ โดยสามารถมีชั้นเรียนใดๆ ก็ได้ แต่เพื่อความเรียบง่าย เราจะตรวจสอบเมทริกซ์ความสับสน 2×2 สำหรับการจำแนกประเภทแบบทวินาม

สมมติว่าเครื่องจำแนกประเภทใช้เพื่อกำหนดว่าผู้ป่วยมีโรคหรือไม่ คุณลักษณะจะถูกป้อนเข้าเครื่องจำแนกประเภท และเครื่องจำแนกประเภทจะส่งกลับหนึ่งในสองชั้นเรียน – ผู้ป่วยไม่มีโรคหรือมีโรค

เรามาเริ่มต้นด้วยด้านซ้ายของเมทริกซ์ ด้านซ้ายของเมทริกซ์ความสับสนแสดงการคาดการณ์ที่เครื่องจำแนกประเภททำสำหรับชั้นเรียนแต่ละชั้น การจำแนกประเภทแบบทวินามจะมีแถวสองแถวที่นี่ สำหรับส่วนบนของเมทริกซ์ ติดตามค่าจริง ค่าชั้นเรียนที่แท้จริง ของตัวอย่างข้อมูล

การตีความเมทริกซ์ความสับสนสามารถทำได้โดยตรวจสอบจุดที่แถวและคอลัมน์บรรจบกัน ตรวจสอบการคาดการณ์ของโมเดลเทียบกับชั้นเรียนที่แท้จริง ในกรณีนี้ ค่า True Positives คือจำนวนการคาดการณ์ที่ถูกต้องบวก ซึ่งอยู่ที่มุมซ้ายบน เมทริกซ์ความสับสน

มุมซ้ายล่างของกริดแสดงตัวอย่างที่เครื่องจำแนกประเภทระบุเป็นลบ แต่แท้จริงแล้วเป็นบวก สุดท้าย มุมซ้ายล่างของเมทริกซ์ความสับสนคือที่ที่ค่า True Negative อยู่ หรือที่ที่ตัวอย่างที่แท้จริงเป็นลบ

เมื่อเซตข้อมูลมีชั้นเรียนมากกว่าสองชั้น เมทริกซ์จะขยายใหญ่ขึ้นตามจำนวนชั้นเรียนนั้น ๆ ตัวอย่างเช่น หากมีชั้นเรียนสามชั้น เมทริกซ์จะเป็นเมทริกซ์ 3×3 ไม่ว่าเมทริกซ์ความสับสนจะมีขนาดใหญ่เพียงใด วิธีการตีความเมทริกซ์ความสับสนนั้นเหมือนกัน คอลัมน์ซ้ายมือมีค่า预测 และชั้นเรียนที่แท้จริงอยู่ด้านบน ค่าตัวอย่างที่เครื่องจำแนกประเภทคาดการณ์ได้อย่างถูกต้องจะอยู่ตามแนวทแยงจากมุมซ้ายบนไปยังมุมซ้ายล่าง โดยการตรวจสอบเมทริกซ์ คุณสามารถระบุเมตริกการคาดการณ์สี่ตัวที่กล่าวถึงข้างต้นได้

ตัวอย่างเช่น คุณสามารถคำนวณการเรียกกลับโดยการนำ True Positives และ False Negatives มาบวกกัน แล้วหารด้วยจำนวน True Positives ในขณะที่คุณสามารถคำนวณความแม่นยำโดยการบวก False Positives และ True Positives แล้วหารค่านั้นด้วยจำนวน True Positives ทั้งหมด

แม้ว่าคุณจะใช้เวลาในการคำนวณเมตริก เช่น ความแม่นยำ การเรียกกลับ และความเฉพาะเจาะจง แต่เมตริกเหล่านี้ถูกใช้บ่อยจนมากที่สุดของไลบรารีการเรียนรู้ของเครื่องมีวิธีการแสดงผลพวกมัน ตัวอย่างเช่น Scikit-learn สำหรับ Python มีฟังก์ชันที่สร้างเมทริกซ์ความสับสน