Trong phần này, chúng ta sẽ xác định các khối xây dựng chính của chỉ số mà chúng ta sẽ sử dụng để đánh giá mô hình phân loại. Nhưng trước tiên, câu chuyện tạm thời:
Aable's Fable: The Boy Who Cry sói (nén)
Một chú bé chăn cừu cảm thấy buồn chán khi chăm sóc đàn cừu. Để giải trí, anh ta khóc to, "Wolf!" mặc dù không có sói nào đang nhìn thấy. Người dân trong làng chạy để bảo vệ đàn, nhưng sau đó giận dữ hơn khi nhận ra cậu bé đang chơi đùa với họ.
[Lặp lại đoạn trước N lần.]
Một đêm nọ, cậu bé chăn cừu nhìn thấy một con sói thật đang ở gần bầy đàn và kêu gọi, "Wolf!" Người dân trong làng từ chối lại để bị lừa và ở lại nhà của họ. Chú sói đói sẽ biến đàn thành đàn cừu. Thị trấn đói rồi. Cảm thấy hoảng loạn.
Hãy xem các định nghĩa sau:
- "Wolf" là một lớp tích cực.
- "No wolf" là một lớp phủ định.
Chúng tôi có thể tóm tắt "wolf-prediction" mô hình của mình bằng cách sử dụng bảng ma trận nhầm lẫn 2x2 mô tả tất cả bốn kết quả có thể xảy ra:
Tích cực thực (TP):
|
False dương tính (FP):
|
False negative (FN):
|
True phủ định (TN):
|
Dương tính thực là kết quả mà mô hình chính xác dự đoán lớp tích cực. Tương tự, âm tính thực là kết quả trong đó mô hình chính xác dự đoán lớp âm.
dương tính giả là kết quả trong đó mô hình không chính xác dự đoán lớp khẳng định. Và âm tính giả là kết quả trong đó mô hình không chính xác dự đoán lớp tiêu cực.
Trong các phần sau, chúng ta sẽ xem xét cách đánh giá mô hình phân loại bằng cách sử dụng các chỉ số bắt nguồn từ bốn kết quả này.