Cos'è matrice di confusione?

Matrice di Confusione

Una matrice di confusione è uno strumento essenziale nella valutazione delle prestazioni dei modelli di classificazione. Permette di visualizzare e analizzare i risultati di un modello di classificazione, mostrando i tipi di errori che il modello commette. In sostanza, riassume la corrispondenza tra le classi predette dal modello e le classi reali (effettive) dei dati.

La matrice di confusione è una tabella in cui le righe rappresentano le classi reali (effettive) e le colonne rappresentano le classi predette. Gli elementi della tabella indicano il numero di istanze che rientrano in ciascuna combinazione di classe reale e classe predetta.

Componenti Principali:

• Veri Positivi (VP o TP): Numero di istanze classificate correttamente come positive. Il modello ha predetto "positivo" e la classe reale era effettivamente "positiva". (https://it.wikiwhat.page/kavramlar/veri%20pozitif)
• Veri Negativi (VN o TN): Numero di istanze classificate correttamente come negative. Il modello ha predetto "negativo" e la classe reale era effettivamente "negativa". (https://it.wikiwhat.page/kavramlar/veri%20negatif)
• Falsi Positivi (FP): Numero di istanze classificate erroneamente come positive. Il modello ha predetto "positivo", ma la classe reale era "negativa". A volte chiamati Errori di Tipo I. (https://it.wikiwhat.page/kavramlar/yanlış%20pozitif)
• Falsi Negativi (FN): Numero di istanze classificate erroneamente come negative. Il modello ha predetto "negativo", ma la classe reale era "positiva". A volte chiamati Errori di Tipo II. (https://it.wikiwhat.page/kavramlar/yanlış%20negatif)

Struttura di una Matrice di Confusione (Esempio per Classificazione Binaria):

	Predetto Positivo	Predetto Negativo
Reale Positivo	Veri Positivi (VP)	Falsi Negativi (FN)
Reale Negativo	Falsi Positivi (FP)	Veri Negativi (VN)

Metriche Derivate dalla Matrice di Confusione:

La matrice di confusione è la base per il calcolo di diverse metriche di valutazione, tra cui:

• Accuratezza (Accuracy): (VP + VN) / (VP + VN + FP + FN) - Proporzione di predizioni corrette sul totale delle predizioni. (https://it.wikiwhat.page/kavramlar/doğruluk)
• Precisione (Precision): VP / (VP + FP) - Proporzione di istanze positive predette correttamente tra tutte le istanze predette come positive. (https://it.wikiwhat.page/kavramlar/kesinlik)
• Richiamo (Recall) / Sensibilità (Sensitivity): VP / (VP + FN) - Proporzione di istanze positive predette correttamente tra tutte le istanze effettivamente positive. (https://it.wikiwhat.page/kavramlar/hatırlama)
• Specificità (Specificity): VN / (VN + FP) - Proporzione di istanze negative predette correttamente tra tutte le istanze effettivamente negative.
• Punteggio F1 (F1-Score): 2 * (Precisione * Richiamo) / (Precisione + Richiamo) - Media armonica di precisione e richiamo. Utile quando c'è uno sbilanciamento delle classi. (https://it.wikiwhat.page/kavramlar/f1%20puanı)

Utilizzo in Classificazione Multi-Classe:

La matrice di confusione può essere estesa per problemi di classificazione con più di due classi. In questo caso, la matrice diventa una tabella N x N, dove N è il numero di classi. L'interpretazione è simile, ma diventa più complesso analizzare gli errori per ogni combinazione di classe.

Importanza:

La matrice di confusione è uno strumento fondamentale per:

• Comprendere i tipi di errori commessi da un modello.
• Identificare quali classi vengono confuse tra loro.
• Valutare le prestazioni del modello in termini di precisione, richiamo, e altre metriche.
• Confrontare diversi modelli di classificazione.
• Ottimizzare i parametri del modello per migliorare le prestazioni.

In sintesi, la matrice di confusione fornisce una visione dettagliata delle prestazioni di un classificatore, consentendo una comprensione più approfondita dei suoi punti di forza e debolezza.