Ce este Matrice de confuzie?

Ce înseamnă Matrice de confuzie

Matricea de confuzie este un tabel care pune față în față realitatea și predicțiile modelului. Numele vine de la faptul că arată ce categorii „confundă” modelul între ele.

Pentru o problemă cu două categorii (da/nu), tabelul are patru căsuțe: adevărat pozitive (modelul a spus „da” și era „da”), fals pozitive (a spus „da”, dar era „nu”, o alarmă falsă), fals negative (a spus „nu”, dar era „da”, un caz ratat) și adevărat negative (a spus „nu” și era „nu”). Din aceste patru numere se calculează acuratețea, precizia, recall-ul și scorul F1.

Cum funcționează

Rândurile reprezintă de obicei categoriile reale, iar coloanele categoriile prezise (unele programe folosesc invers, deci citește etichetele). Pe diagonală sunt răspunsurile corecte; tot ce e în afara diagonalei sunt erori.

Pentru mai multe categorii, matricea devine mai mare: la un model care recunoaște 10 cifre scrise de mână, ai un tabel de 10 × 10, iar o valoare mare în căsuța „real 4, prezis 9” îți spune că modelul confundă des cifra 4 cu 9.

Pe înțelesul tuturor

Este ca fișa unui arbitru după meci, care nu notează doar „câte decizii corecte”, ci separat: câte faulturi a fluierat pe nedrept și câte faulturi reale i-au scăpat. Abia așa știi ce trebuie să îmbunătățească.

Exemplu

Același filtru de spam, testat pe 100 de e-mailuri, dintre care 20 sunt spam: 15 adevărat pozitive (spam prins), 3 fals pozitive (e-mailuri bune ajunse în Spam), 5 fals negative (spam scăpat în Inbox) și 77 adevărat negative (e-mailuri bune lăsate în pace). Total: 15 + 3 + 5 + 77 = 100. Acuratețea este (15 + 77) ÷ 100 = 92%, precizia 15 ÷ 18 ≈ 83%, iar recall-ul 15 ÷ 20 = 75%.

De reținut

• Matricea de confuzie arată tipurile de erori, nu doar numărul lor.
• Fals pozitive = alarme false; fals negative = cazuri ratate.
• Toate măsurile uzuale de clasificare se calculează din ea.

Nu confunda

• Fals pozitiv vs. fals negativ: la un test medical, fals pozitivul îi spune unui om sănătos că e bolnav; fals negativul îi spune unui bolnav că e sănătos. Costurile celor două greșeli sunt de obicei foarte diferite.

Termeni înrudiți

• Precizie și recall: Două măsuri complementare: precizia arată cât de des are dreptate modelul când spune „da”, recall-ul câte cazuri reale reușește să prindă.
• Acuratețe: Procentul de răspunsuri corecte ale unui model din totalul răspunsurilor; simplu de înțeles, dar înșelător când clasele sunt dezechilibrate.
• Scor F1: Un singur număr care combină precizia și recall-ul, mare doar când ambele sunt bune.
• Clasificare: Sarcina de machine learning în care modelul pune fiecare exemplu într-o categorie dintr-o listă fixă, de exemplu „spam” sau „nu e spam”.
• Detectarea fraudelor cu AI: Sisteme AI care analizează tranzacții și comportamente în timp real pentru a observa plăți, conturi sau cereri suspecte.