Calculadora de métricas de matriz de confusión
Calcular precisión, recuerdo, especificidad, F 1, precisión, precisión equilibrada y MCC a partir de una tabla de conteo de la clase positiva declarada.
SU CÁLCULO
Resultado
—
Pasos del cálculo
Trabaje a través de un paso a la vez o revele el cálculo completo. Los pasos utilizan sus entradas actuales.
Cómo calcular
Utilice los márgenes adecuados reales / predicho para cada métrica de clasificación binaria y preserve denominadores cero no definidos.
F1=2TP/(2TP+FP+FN); MCC=(TP×TN−FP×FN)/√[(TP+FP)(TP+FN)(TN+FP)(TN+FN)]
Ejemplo resuelto
TP=40, FP=10, FN=5, TN=45 dar precisión 85%, precisión 80%, recordar alrededor de 88.8889% y F 1 alrededor de 0.8421053.
Suposiciones y detalles de entrada
El entero no negativo cuenta hasta 1e9 por célula, con un total positivo. Declaran una clase positiva constante. Los denominadores vacíos no se definen en lugar de estar silenciosamente establecidos a cero. Las medicas resumen sólo la muestra introducida; no se inflan prevalencia, sesgo, elección de umbral, incertidumbre ni utilidad clínica o de despliegue. Los conteos binarios están separados de los análisis multiclase y de acuerdo-kappa.
Referencias: scikit- aprender: clasificación-definiciones métricas
Usando esta calculadora
¿Puedo entrar en mi propio problema?
Sí. Sustitúyase los valores de ejemplo por sus propias entradas. El resultado, los pasos de cálculo, los cuadros y los diagramas aplicables se actualizan a partir de esos insumos. Los valores blanks o inválidos despejan el resultado; los valores de ejemplo nunca se sustituyen silenciosamente por los insumos que faltan.
¿Los resultados son exactos?
Los resultados utilizan la aritmética de un punto flotante y se muestran redondeados. Leer la fórmula, suposiciones y cualquier precisión de los datos antes de interpretar el resultado.
¿Mi entrada está cargada?
El cálculo se ejecuta en su navegador. No se requiere cuenta, carga de archivos o servicio AI externo. Las entradas no se guardan entre recargas de página.
Calcular el acuerdo observado, el acuerdo marginal de oportunidad y el kappa de Cohen no ponderado de una tabla de calificación binaria pareada.
Compare dos proporciones de conversión, la diferencia de puntos de interés, el elevador relativo, una estadística de z agrupada y un intervalo de aproximación claramente etiquetado.
Analizar los resultados binarios coincidieron con un test binómico de discordantes-par exacto y dos convenios de aproximación chi-cuadrado.
Espacio reservado para publicidad.