2-परिकल्पना मामले में, भ्रम मैट्रिक्स आमतौर पर है:
| Declare H1 | Declare H0 |
|Is H1 | TP | FN |
|Is H0 | FP | TN |
जहाँ मैंने आपके अंकन के समान कुछ प्रयोग किया है:
- टीपी = वास्तविक सकारात्मक (एच 1 घोषित करें, जब सच में, एच 1),
- FN = गलत नकारात्मक (H0 को घोषित करें, जब सत्य में, H1),
- एफपी = झूठी सकारात्मक
- टीएन = सच नकारात्मक
कच्चे डेटा से, तालिका के मान आमतौर पर परीक्षण डेटा पर प्रत्येक घटना के लिए मायने रखते हैं। इससे, आपको आवश्यक मात्रा की गणना करने में सक्षम होना चाहिए।
संपादित करें
मल्टी-क्लास समस्याओं का सामान्यीकरण भ्रम मैट्रिक्स की पंक्तियों / स्तंभों पर योग करना है। यह देखते हुए कि मैट्रिक्स ऊपर की ओर उन्मुख है, अर्थात, मैट्रिक्स की एक दी गई पंक्ति "सत्य" के विशिष्ट मूल्य से मेल खाती है, हम हैं:
Precision i=Mii∑jMji
Recall i=Mii∑jMij
यही है, परिशुद्धता उन घटनाओं का एक अंश है जहां हमने सही तरीके से
सभी उदाहरणों से बाहर घोषित किया है जहां एल्गोरिदम ने घोषित किया है । इसके विपरीत, याद घटनाओं जहां हम सही ढंग से घोषित के अंश है ऐसे मामलों में जहां दुनिया की स्थिति का सच है के सभी से बाहर ।मैं मैं मैंiiii