Konfusionsmatrix-Metriken-Rechner
Prüfe fünf binäre Klassifikationsmetriken aus positiven und negativen Treffer- und Fehlerzahlen.
Klassifikationsmetriken
Gib TP, FP, FN und TN ein und berechne.
- Precision
- —
- Recall (Sensitivität)
- —
- Spezifität
- —
- F1-Wert
- —
Nenner null bleiben undefiniert und werden nicht durch 0% oder 100% ersetzt.
Konfusionsmatrix verwenden
Nutze Zahlen einer binären Klassifikation, nachdem die positive Klasse festgelegt ist. Es werden nur Metriken geprüft.
- TP und FP eingeben.
- FN und TN eingeben.
- Berechnen wählen.
- Undefinierte Hinweise mit Nenner lesen.
- Änderungen verwerfen das Ergebnis; Leeren entfernt alle Werte.
Bedeutung der vier Zahlen
TP und TN sind richtige Vorhersagen der positiven und negativen Klasse. FP ist fälschlich positiv, FN fälschlich negativ.
Formeln
Accuracy=(TP+TN)/Gesamt, Precision=TP/(TP+FP), Recall=TP/(TP+FN), Spezifität=TN/(TN+FP), F1=2TP/(2TP+FP+FN).
Undefinierte Nenner
Auch bei positiver Gesamtsumme kann eine Klasse fehlen. Die betroffene Kennzahl bleibt undefiniert; es wird kein Ersatzwert erfunden.
Grenzen
- Nur nichtnegative ganze Zahlen.
- Eine binäre Klasse, keine Mehrklassenmittel.
- Bei Ungleichgewicht mehrere Kennzahlen vergleichen.
- Keine Uploads, kein Training und keine medizinische Deutung.
Beispiel
TP=40, FP=10, FN=20 und TN=30 ergeben Accuracy 70%, Precision 80%, Recall 66,67%, Spezifität 75% und F1 72,73%.
Häufige Fragen
Warum ist Precision undefiniert?
Es gibt keine positiven Vorhersagen: TP+FP=0.
Kann Recall definiert 0 sein?
Ja, wenn tatsächliche Positive existieren, aber keines erkannt wurde.
Enthält F1 TN?
Nein, F1 verbindet Precision und Recall der positiven Klasse.
Ist dies ein medizinischer Rechner?
Nein, nur eine Rechenprüfung binärer Zahlen.