매튜스 상관계수 계산기

매튜스 상관계수(MCC)는 이진 분류 성능을 하나의 점수로 요약합니다. 혼동 행렬의 참 양성, 참 음성, 거짓 양성 및 거짓 음성 셀을 모두 결합합니다. 정확도와 달리 한 클래스가 다른 클래스보다 훨씬 많아도 유용한 정보를 제공하므로 사기 탐지, 의료 선별검사, 이상 탐지 및 기타 불균형 문제에 적합합니다. MCC의 범위는 음의 일부터 양의 일까지입니다. 양의 일은 완벽한 분류, 영은 예측과 결과 사이에 순상관이 없는 성능, 음의 일은 예측이 체계적으로 뒤집힌 완전한 불일치를 뜻합니다. 중간값은 보편적인 품질 등급을 붙이기보다 오류 비용, 클래스 균형 및 운용 임계값을 고려하여 해석해야 합니다. 분자는 참 양성과 참 음성의 곱에서 거짓 양성과 거짓 음성의 곱을 뺀 값입니다. 분모는 예측 양성, 실제 양성, 실제 음성, 예측 음성이라는 네 주변 합계의 곱에 대한 제곱근입니다. 이 구조로 MCC는 관측된 이진 레이블과 예측 레이블 간의 피어슨 상관계수와 같아집니다. 필요한 주변 합계 중 하나라도 영이면 수학적 분모가 영이 되어 계수가 정의되지 않습니다. 계산기는 익숙한 보조 지표도 제공합니다. 정확도는 전체 사례 중 올바르게 분류한 비율입니다. 정밀도는 양성 예측 중 참 양성의 비율입니다. 민감도라고도 하는 재현율은 실제 양성 중 탐지한 비율입니다. 특이도는 실제 음성 중 올바르게 음성으로 판정한 비율입니다. 각각 다른 질문에 답하므로 MCC와 함께 보면 전체적으로 좋아 보이는 성능이 특정 클래스의 약점을 숨기는지 알 수 있습니다. 혼동 행렬은 양성 클래스를 명확히 정의하고 분류 임계값을 고정하여 구성하세요. 양성과 음성 레이블을 뒤집으면 정밀도, 재현율 및 특이도가 바뀌지만 실제와 예측 레이블을 동시에 바꿀 때 MCC 자체는 유지됩니다. 개수는 모델 적합에 사용하지 않은 데이터에서 얻어야 하며, 대표성 있는 테스트 세트나 올바르게 구성한 교차 검증 예측이 바람직합니다. MCC는 같은 평가 표본에서 후보 분류기를 비교할 때 특히 유용하지만 불확실성도 중요합니다. 작은 테스트 세트는 불안정한 점수를 만들 수 있고 분포 변화는 과거 성능을 무효화할 수 있습니다. 모델을 선택하거나 배포하기 전에 신뢰구간, 하위 집단 점검, 보정 분석 및 거짓 양성과 거짓 음성의 실제 결과와 함께 이 값을 활용하세요.