分類正解率計算機

分類正解率は、すべての予測のうちモデルが正しく分類した割合です。真陽性と真陰性を合計し、混同行列の全観測数で割って求めます。直感的に理解しやすい指標ですが、単独での解釈は通常避けるべきです。クラスが不均衡な場合、ほぼ毎回多数派クラスを予測するだけで高い正解率が得られ、重要なケースを見逃していても気づきにくくなります。 そのため、この計算機では相互に補完する5つの二値分類指標を表示します。適合率は陽性と予測したもののうち実際に陽性だった割合で、TPをTPとFPの和で割ります。再現率は感度とも呼ばれ、実際の陽性のうちモデルが発見した割合で、TPをTPとFNの和で割ります。特異度は陰性を正しく識別する能力を表し、TNをTNとFPの和で割ります。F1スコアは適合率と再現率の調和平均で、一方を犠牲にして他方を高めるのではなく、両者のバランスを評価します。 まず評価結果を混同行列に整理します。真陽性は陽性を正しく陽性と予測したもの、偽陽性は陰性を誤って陽性と予測したものです。真陰性は陰性を正しく陰性と予測したもの、偽陰性は分類器が見逃した陽性です。4つの値はすべて同じテストセットと判定しきい値で得られた件数でなければなりません。百分率、学習データ、異なるしきい値の結果を混在させると、指標は無効になります。 重視する指標は用途によって異なります。医療スクリーニングでは見逃しの影響が大きく、再現率が重視されることがよくあります。迷惑メール判定や自動的な違反取締りでは誤認の影響が大きく、適合率が重要です。陰性を正しく除外する必要がある場合は特異度が役立ちます。モデルの優劣を判断する前に、同じデータセットで指標を比較し、クラスの割合を確認し、信頼区間も考慮してください。この計算機は迅速な分析、記録、しきい値比較のための決定論的な点推定を提供しますが、代表性のあるデータでの検証に代わるものではありません。