← ریاضی

آمارطبقه بندی

ماشین حساب MCC

زبان‌های دیگر 日本語 | English | 繁體中文 | 한국어 | Italiano | فارسی

TP، FP، TN و FN را وارد کنید تا ضریب همبستگی متیوز، دقت متعادل، و نرخ های پشتیبانی را در یک آستانه طبقه بندی باینری محاسبه کنید.

هنگامی که دقت ساده کافی نیست، به خصوص با عدم تعادل کلاس، از این صفحه استفاده کنید. اگر به رفتار آستانه به آستانه نیاز دارید، در کنار آن حرکت کنید ROC AUC.

نحوه استفاده

  1. TP، FP، TN و FN را از یک نتیجه طبقه بندی باینری وارد کنید.
  2. به صورت اختیاری نام برچسب های مثبت و منفی را تغییر دهید تا با گردش کار شما مطابقت داشته باشد.
  3. MCC را در کنار دقت متعادل بخوانید تا بتوانید اثرات توافق کلی و تعادل کلاس را ببینید.

خلاصه یک عددی برای هر چهار سلول ماتریس سردرگمی

MCC به TP، FP، TN و FN به طور همزمان واکنش نشان می دهد. هنگامی که کلاس مثبت نادر است یا زمانی که هشدارهای نادرست وجود دارد و هر دو موضوع را از دست می دهند، اغلب یک عنوان تمیزتر از دقت ساده است.

ورودی ها

برای بررسی MCC، دقت متعادل، و نرخ‌های پشتیبانی از یک مجموعه نتایج باینری، محاسبه‌ای را اجرا کنید.

MCC یک متریک به سبک همبستگی برای ماتریس سردرگمی است

MCC به سوالی متفاوت از دقت ساده پاسخ می دهد. دقت می پرسد که چند مورد به طور کلی درست بوده اند. MCC می‌پرسد که آیا پیش‌بینی‌ها و برچسب‌های واقعی در هر چهار سلول ماتریس سردرگمی با هم حرکت می‌کنند یا خیر. این باعث می شود زمانی که یک کلاس بسیار نادرتر از دیگری باشد، انعطاف پذیرتر می شود.

چه زمانی MCC را ترجیح دهیم

زمانی که یک عدد خلاصه منفرد باید هم هشدارهای نادرست و هم هشدارهای اشتباه را منعکس کند، یا زمانی که یک کلاس به اندازه‌ای کوچک است که دقت ساده راحت‌کننده به نظر برسد، در حالی که کلاس اقلیت ضعیف مدیریت می‌شود، MCC را ترجیح دهید.

اگر MCC تعریف نشده باشد چه باید کرد

اگر مجموع یک سطر یا ستون به صفر برسد، MCC تعریف نشده است. در این صورت، شمارش خام را قابل مشاهده نگه دارید و یادآوری، ویژگی و دقت متعادل را مستقیماً گزارش دهید.

سوالات متداول

چه زمانی MCC مفیدتر از دقت ساده است؟

MCC معمولاً زمانی مفیدتر است که کلاس‌ها نامتعادل باشند یا زمانی که شما یک متریک خلاصه می‌خواهید که به هر چهار سلول ماتریس سردرگمی پاسخ دهد. دقت ساده حتی زمانی که رفتار طبقات اقلیت ضعیف باشد می تواند بالا به نظر برسد.

MCC از چه محدوده ای استفاده می کند؟

MCC از 1- تا 1 متغیر است. مقدار نزدیک به 1 به معنای تطابق قوی با برچسب های واقعی، مقدار نزدیک به 0 به معنای سیگنال ضعیف و مقدار منفی به این معنی است که پیش بینی ها در برابر برچسب های واقعی بیش از حد انتظار عمل می کنند.

چرا MCC می تواند تعریف نشده باشد؟

وقتی یک حاشیه از جدول احتمالی به صفر برسد، مثلاً هیچ مثبت واقعی یا منفی پیش بینی نشده باشد، MCC نامشخص می شود. در این صورت، تعداد خام را قابل مشاهده نگه دارید و مستقیماً از یادآوری یا ویژگی استفاده کنید.

آیا نشانی وب اشتراک‌گذاری شامل تعداد یا برچسب‌های من می‌شود؟

خیر. URL اشتراک گذاری فقط تنظیمات سبک وزن مانند اعشار را ذخیره می کند. تعداد و برچسب های سفارشی در مرورگر شما باقی می مانند.

نظرات (اختیاری)

برای کاهش بار، نظرات فقط در صورت نیاز واکشی می شوند.