نوشته‌ها

نمایش گرافیکی ماترسی اغتشاش confusion matrix

برای نمایش گرافیکی ماتریس اعتشاش به لینک جالبی رسیدیم که احتمالا خیلی از شما علاقه مند به استفاده از آن در پژوهش های علمی تان باشید

توضیح ویکیپدیا برای ماتریس اغتشاش:

در حوزهٔ هوش مصنوعی، ماتریس در هم ریختگی (به انگلیسی: confusion matrix) به ماتریسی گفته می‌شود که در آن عملکرد الگوریتم‌های مربوطه را نشان می‌دهند. معمولاً چنین نمایشی برای الگوریتم‌های یادگیری با ناظر استفاده می‌شود، اگرچه در یادگیری بدون ناظر نیز کاربرد دارد. معمولاً به کاربرد این ماتریس در الگوریتم‌های بدون ناظر ماتریس تطابق می گویند. هر ستون از ماتریس، نمونه‌ای از مقدار پیش بینی شده را نشان می‌دهد. در صورتی که هر سطر نمونه‌ای واقعی (درست) را در بر دارد. اسم این ماتریس نیز از آنجا بدست می‌آید که امکان این را آسانتر اشتباه و تداخل بین نتایج را مشاهده کرد. در خارج از هوش مصنوعی این ماتریس معمولاً ماتریس پیشایندی (contingency matrix) یا ماتریس خطا (error matrix) نامیده می‌شود. در مباحث هوش مصنوعی از این جدول برای تعیین مقدار شاخص های ارزیابی مانند دقت (Precision) و صحت (Recall) استفاده می شود. دقت عبارت است از اینکه “چه میزان از نمونه های انتخابی درست هستند” و صحت بر این مفهوم که “چه میزان از نمونه های صحیح موجود انتخاب شده اند” دلالت دارند. البته با ممکن است در منابعی، Accuracy نیز دقت ترجمه شود که مفهومی کاملا متفاوت داشته و بر میزان نمونه هایی اشاره دارد که سیستم در تشخیص آنها موفق بوده است.

خب برای استفاده از یادداشت ام نوت ذیل استفاده کنید

کافیست تابع ذیل را به کد پایتونی خود اضافه کنید:

 

برای بحث استفاده نیز کافیست کد ذیل را بزنید:

 

منظور از y_true و y_pred در مطلب « محاسبه عناصر جدول اغتشاش TP,NP,FP,FN» بیان گردیده است.

 

منبع : https://goo.gl/otsmhY

باتشکر از مهندس محمد خالوئی در اشتراک گذاشتن این لینک مفید.

 

شما نیز میتوانید از طریق بخش ارتباط با ما مطالب خوب و مفیدتان را برای درج در سامانه ارسال کنید. همچنین جهت همکاری به https://mnote.ir/collaboration/  مراجعه کنید

محاسبه عناصر جدول اغتشاش confusion matrix : TP,NP,FP,FN در راحت ترین وجه ممکن!

در این مطلب قرار هست تا با چیزی شما را آشنا کنیم که در زمان ارزیابی سیستم یا مدل یا ایده ای که داشتید شما را از وضعیت کارکرد سیستم آگاه میکند. همانطور که میدانید در Confusion matrix شما با توجه به میزان درستی و میزان اشتباهاتی که در حالات مختلف TP,NP,FP,FN رخ میدهد میتوانید تقریبا روند کارکرد سیستم خود را ارزیابی کنید.

شما کافیست با مثال ذیل همگام شوید. البته اگر میخواهید آن را برای کد خود استفاده کنید کافیست فقط دو آرایه y_pred که به معنای چیزی که مدل یا شبکه شما بدان رسیده را با y_true با چیزی که به عنوان Ground Truth (جدول درستی) دارید مقایسه و ارزیابی کنید

برای مثال:

در ابتدا کتابخانه Numpy را اضافه کنید:

سپس برای مثال ما اعداد وکتوری ذیل را جهت آزمایشی ایجاد میکنیم

حال کافیست کد ذیل را برای محاسبه چهار حالتTP,NP,FP,FN نیز بنویسیم:

 

به همین راحتی.

منبع این مطلب :  https://goo.gl/hEF6SQ

باتشکر از مهندس محمد خالوئی  در خصوص ارسال این نکته  و لینک مفید

ایام خوبی برایتان آرزو مندم