Kalkulator Akurasi dan Matriks Kebingungan
Hitung akurasi, presisi, sensitivitas, spesifisitas, dan F1 dari hitungan matriks kebingungan biner.
Rumus
N=TP+TN+FP+FN; akurasi=(TP+TN)/N; presisi=TP/(TP+FP); sensitivitas=TP/(TP+FN); spesifisitas=TN/(TN+FP); F1=2TP/(2TP+FP+FN). Tingkat ×100%; MCC∈[−1;1]. FNR=FN/(TP+FN); FPR=FP/(TN+FP); FDR=FP/(TP+FP); MCC=(TP·TN−FP·FN)/√((TP+FP)(TP+FN)(TN+FP)(TN+FN)).
Akurasi ≈ 100×((40)+(50))÷(100) · Tingkat kesalahan ≈ 100×((5)+(5))÷(100) · Presisi ≈ 100×(40)÷max((40)+(5),1) · Sensitivitas (recall) ≈ 100×(40)÷max((40)+(5),1) · Spesifisitas ≈ 100×(50)÷max((50)+(5),1) · Skor F1 ≈ 200×(40)÷max(2×(40)+(5)+(5),1) · Tingkat negatif palsu ≈ 100×(5)÷max((40)+(5),1) · Tingkat positif palsu ≈ 100×(5)÷max((50)+(5),1) · Tingkat penemuan palsu ≈ 100×(5)÷max((40)+(5),1) · Korelasi Matthews ≈ ((40)×(50)-(5)×(5))÷sqrt(max(((40)+(5))×((40)+(5))×((50)+(5))×((50)+(5)),1))
Cara menggunakan
- Masukkan jumlah positif benar dan negatif benar.
- Masukkan jumlah positif palsu dan negatif palsu.
- Bandingkan metrik klasifikasi dalam persen.
Contoh
- 40 TP, 50 TN, 5 FP, dan 5 FN menghasilkan akurasi 90%.
Pertanyaan umum
Apa arti hitungan tersebut?
TP dan TN adalah prediksi positif dan negatif yang benar; FP dan FN adalah prediksi positif dan negatif yang salah.
Bagaimana penyebut nol ditangani?
Minimal satu kasus diperlukan. Metrik yang tidak terdefinisi, termasuk MCC, ditampilkan sebagai 0 sesuai konvensi.
Apakah akurasi saja cukup?
Tidak. Untuk kelas tidak seimbang, bandingkan presisi dan sensitivitas; akurasi tinggi tetap dapat melewatkan banyak kasus positif langka.
Sumber rujukan
Diperbarui: