Classificazione: Vero, Falso, Positivo e Negativo

Mantieni tutto organizzato con le raccolte Salva e classifica i contenuti in base alle tue preferenze.

In questa sezione, definiremo i componenti di base principali delle metriche che utilizzeremo per valutare i modelli di classificazione. Ma prima, una favola:

La fiaba di Esopo: Il ragazzo che piangeva il lupo (compresso)

Un pastore si annoia a prendersi cura del gregge della città. Per divertirsi, piange "Lupo!" anche se non è in vista un lupo. Gli abitanti del villaggio corrono per proteggere il gregge, ma poi si innervosiscono molto quando si rendono conto che il bambino stava giocando a loro con una barzelletta.

[Ripetere il paragrafo precedente N volte.]

Una notte, il pastore vede un vero lupo che si avvicina al gregge e dice: "Lupo!" Gli abitanti del villaggio si rifiutano di essere ingannati e rimangono nelle loro case. Il lupo affamato trasforma il gregge in costolette di agnello. La città soffre la fame. Il panico.

Eseguiamo le seguenti definizioni:

  • "Wolf" è una classe positiva.
  • "No wolf" è una classe negativa.

Possiamo riepilogare il nostro modello "previsione del lupo" utilizzando una matrice di confusione 2 x 2 che rappresenta tutti e quattro i possibili risultati:

Vero positivo (TP):
  • Realtà: un lupo minacciato.
  • Pastore ha detto: "Lupo."
  • Risultato: Shepherd è un eroe.
Falso positivo (FP):
  • Realtà: nessun lupo ha minacciato.
  • Pastore ha detto: "Lupo."
  • Risultato: i curiosi sono arrabbiati con i pastori per averli svegliati.
Falso negative (FN):
  • Realtà: un lupo minacciato.
  • Pastore ha detto: "Nessun lupo."
  • Risultato: il lupo ha mangiato tutte le pecore.
Vero negativo (TN):
  • Realtà: nessun lupo ha minacciato.
  • Pastore ha detto: "Nessun lupo."
  • Risultato: tutti vanno bene.

Un vero positivo è un risultato in cui il modello prevede correttamente la classe positiva. Analogamente, un vero negativo è un risultato in cui il modello prevede correttamente la classe negativa.

Un falso positivo è un risultato in cui il modello prevede in modo errato la classe positiva. Un falso negativo è un risultato in cui il modello prevede in modo errato la classe negativa.

Nelle sezioni seguenti, vedremo come valutare i modelli di classificazione utilizzando le metriche derivate da questi quattro risultati.