Académique Documents
Professionnel Documents
Culture Documents
Es una matriz de un clasificador de dos o ms clases. Contiene informacin acerca de las clasificaciones actuales y predicciones hechas por un sistema de clasificacin. La matriz es n por n, donde n es el nmero de clases. Cada columna de la matriz representa los casos que el algoritmo predijo, mientras que cada fila representa los casos en una clase real. La tabla 1 representa las posiciones que comnmente muestra una matriz de confusin:
TABLA 1. MATRIZ DE CONFUSION.
TP: son los casos que pertenecen a la clase y el clasificador los defini en esa clase. FN: son los casos que si pertenecen a la clase y el clasificador no los defini en esa clase. FP: son los casos que no pertenecen a la clase pero el clasificador los defini en esa clase. TN: son los casos que no pertenecen a la clase y el clasificador defini que no pertenecen a esa clase.
MTRICAS DE LA MATRIZ DE CONFUSIN. Accuracy: es la proporcin del nmero total de predicciones que son correctas, se determina utilizando la siguiente ecuacin:
Precision: es la proporcin de los casos predichos positivos que son correctos, se utiliza la siguiente ecuacin para calcularla:
Recall o True Positive Recognition: es la proporcin de casos positivos que fueron identificados correctamente, se calcula mediante la siguiente ecuacin:
F-measure: es una mtrica que toma en cuenta tanto el recall como la precisin. Su ecuacin se define a continuacin:
Weka representa en una matriz la informacin obtenida de las dos clases existentes en los datos procesados. Para obtener la matriz de confusin de cada clase se separa la informacin. A continuacin se presentan las matrices de confusin para cada clase (Tabla 2 y 3).
TABLA 2. CLASE A. TABLA 3. CLASE B
Prediccin R a B e 8 1 a A B 4 1 l
Prediccin R b A e 1 4 a B A 1 8 l
Para la clase A: TP. 8 objetos pertenecen a la clase A y fueron clasificados correctamente en la clase A. TN. 1 objeto no pertenece a la clase A y no fue clasificado en esta clase, se clasific en B. FP. 4 objetos no pertenecen a la clase A pero si fueron clasificados en esta clase. FN. 1 objeto pertenece a la clase A pero fue clasificado en la clase B.
o Mtricas
accuracy = (8+1)/(8+1+4+1) = 9/14= 0.6428 recall = 8/(8+1) = 8/9 = 0.888 precision = 8/(8+4) = 8/12 = 0.667 F= 2(8) / (2(8)+4+1) = 16/21 = 0.7619
Para la clase B: TP. 1 objeto pertenece a la clase B y fue clasificado correctamente en la clase B. TN. 8 objetos no pertenecen a la clase B y no fueron clasificados en esta clase, se clasificaron en A. FP. 1 objeto no pertenece a la clase B pero si fue clasificado en esta clase. FN. 4 objetos pertenecen a la clase B pero fueron clasificados en la clase A.
o Mtricas
accuracy = (1+8)/(1+8+4+1) = 9/14= 0.6428 recall = 1/(1+4) = 1/5 = 0.2 precision = 1/(1+1) = 1/2 = 0.5 F= 2(1) / (2(1)+1+4) = 2/7 = 0.285
PREDICCIN
A B C
REAL
A B C
50 0 0
0 48 4
0 2 46
CALCULO DE LAS METRICAS DE LA MATRIZ GENERAL accuracy = (8+3)/(8+3+1+2) = 11/14= 0.785 recall = 8/(8+1) = 8/9 = 0.888 precision = 8/(8+2) = 8/10 = 0.8 F= 2(8) / (2(8)+2+1) = 16/19 = 0.842
TP. 50 objetos pertenecen a la clase A y fueron clasificados correctamente en la clase A. TN. 100 objetos no pertenecen a la clase A y no fueron clasificados en esta clase. FP. 0 objetos que no pertenecen a la clase B no fueron clasificados en otras clases.
o Mtricas
accuracy = (50+100)/(50+100+0+0) = 150/150= 1 recall = 50/(50+0) = 50/50 = 1 precision = 50/(50+0) = 50/50 = 1 F= 2(50) / (2(50)+0+0) = 100/100 = 1
Clase B: 48 TP 4 FP 2 FN 96 TN
TP. 48 objetos pertenecen a la clase B y fueron clasificados correctamente en la clase A. TN. 96 objetos no pertenecen a la clase B y no fueron clasificados en esta clase. FP. 4 objetos que no pertenecen a la clase B fueron clasificados en esta clase. FN. 2 objetos que pertenecen a la clase B pero no fueron clasificados en esa clase.
Clase C:
46 TP 2 FP
4 FN 98 TN
TN. 98 objetos no pertenecen a la clase C y no fueron clasificados en esta clase. FP. 2 objetos que no pertenecen a la clase C pero fueron clasificados en esa clase. FN. 4 objetos que si pertenecen a la clase C pero no fueron clasificados en esa clase.
PREDICCIN
A B C
REAL
A B C
49 0 0
1 47 5
0 3 45
Clase A: 50 TP 0 FP 1 FN 100 TN
TP. 50 objetos pertenecen a la clase A y fueron clasificados correctamente en la clase A. TN. 100 objetos no pertenecen a la clase A y no fueron clasificados en esta clase. FP. 0 objetos que no pertenecen a la clase B no fueron clasificados en otras clases. FN. 1 objetos que no pertenecen a la clase A no fueron clasificados en esa clase.
o Mtricas
accuracy = (50+100)/(50+100+0+1) = 150/151= 0.9934 recall = 50/(50+1) = 50/51 = 0.9804 precision = 50/(50+0) = 50/50 = 1 F= 2(50) / (2(50)+0+1) = 100/101 = 0.9901
Clase B: 47 TP 5 FP 3 FN 45 TN
TP. 47 objetos pertenecen a la clase B y fueron clasificados correctamente en la clase A. TN. 45 objetos no pertenecen a la clase B y no fueron clasificados en esta clase. FP. 5 objetos que no pertenecen a la clase B fueron clasificados en esta clase. FN. 3 objetos que pertenecen a la clase B pero no fueron clasificados en esa clase.
o Mtricas
accuracy = (47+45)/(47+45+5+3) = 92/100= 0.92 recall = 47/(47+3) = 47/50 = 0.94 precision = 47/(47+5) = 47/52= 0.9038 F= 2(47) / (2(47)+5+3) = 94/102 = 0.9216
Clase C:
45 TP 3 FP
5 FN 96 TN
TP. 45 objetos pertenecen a la clase C y fueron clasificados correctamente en la clase C. TN. 96 objetos no pertenecen a la clase C y no fueron clasificados en esta clase. FP. 3 objetos que no pertenecen a la clase C pero fueron clasificados en esa clase. FN. 5 objetos que si pertenecen a la clase C pero no fueron clasificados en esa clase.
o Mtricas
accuracy = (45+96)/(45+96+3+5) = 141/149= 0.9463 recall = 45/(45+5) = 45/50 = 0.9 precision = 45/(45+3) = 45/48= 0.9375 F= 2(45) / (2(45)+3+5) = 90/98 = 0.9184