1. Konfusionsmatrix eingeben
Tragen Sie die vier Werte ein. Die Summen und Kennzahlen werden automatisch aktualisiert.
| Vorhergesagte Klasse | Zeilensumme | |||
|---|---|---|---|---|
| positiv Trinken |
negativ Nicht-Trinken |
|||
| Wahre Klasse | positiv Trinken |
True PositiveTP
Trinken korrekt als Trinken erkannt
|
False NegativeFN
Trinken fälschlich als Nicht-Trinken erkannt
|
700 TP + FN |
| negativ Nicht-Trinken |
False PositiveFP
Nicht-Trinken fälschlich als Trinken erkannt
|
True NegativeTN
Nicht-Trinken korrekt als Nicht-Trinken erkannt
|
300 FP + TN |
|
| Spaltensummen | 660 TP + FP |
340 FN + TN |
1000 Gesamt |
|
2. Zentrale Kennzahlen
ROC-Punkt
Im ROC-Diagramm steht die x-Achse für die Falsch-Positiv-Rate und die y-Achse für die Richtig-Positiv-Rate.
3. Berechnete Gütemaße
| Kennzahl | Formel | Wert | Erläuterung |
|---|
4. Beispiel: Trinken vs. Nicht-Trinken
Der Klassifikator soll erkennen, ob eine Aktivität Trinken oder Nicht-Trinken ist. Die positive Klasse ist hier Trinken.
| Vorhergesagte Aktivität | Summen | |||
|---|---|---|---|---|
| Trinken | Nicht-Trinken | |||
| Wahre Aktivität | Trinken | TP: 650 Trinken wurde korrekt als Trinken erkannt. |
FN: 50 Trinken wurde fälschlich als Nicht-Trinken erkannt. Dies entspricht einem Fehler 2. Art bzw. Beta-Fehler, wenn „Trinken“ die positive Klasse ist. |
700 |
| Nicht-Trinken | FP: 10 Nicht-Trinken wurde fälschlich als Trinken erkannt. Dies entspricht einem Fehler 1. Art bzw. Alpha-Fehler, wenn „Trinken“ die positive Klasse ist. |
TN: 290 Nicht-Trinken wurde korrekt als Nicht-Trinken erkannt. |
300 | |
| Summen | 660 | 340 | 1000 | |
5. Bezeichnungen
TP True Positive
Ein tatsächlich positiver Fall wird korrekt als positiv vorhergesagt. Beispiel: Trinken wird als Trinken erkannt.
FN False Negative
Ein tatsächlich positiver Fall wird fälschlich als negativ vorhergesagt. Beispiel: Trinken wird nicht erkannt.
FP False Positive
Ein tatsächlich negativer Fall wird fälschlich als positiv vorhergesagt. Beispiel: Nicht-Trinken wird als Trinken klassifiziert.
TN True Negative
Ein tatsächlich negativer Fall wird korrekt als negativ vorhergesagt. Beispiel: Nicht-Trinken wird als Nicht-Trinken erkannt.
6. Wichtige Korrekturen und Hinweise
Fehler 1. und 2. Art: Für die übliche Zuordnung gilt: FP entspricht dem Fehler 1. Art bzw. Alpha-Fehler, FN entspricht dem Fehler 2. Art bzw. Beta-Fehler.
Positivität und Negativität: TP + FP ist die Anzahl positiver Vorhersagen; FN + TN ist die Anzahl negativer Vorhersagen.
Kappa: Cohen's Kappa nutzt die erwartete Zufallsübereinstimmung aus den Randverteilungen und nicht pauschal 0,5.
AUC: Eine echte ROC-AUC benötigt Scores oder Wahrscheinlichkeiten über mehrere Schwellenwerte. Aus einer einzelnen Konfusionsmatrix lässt sich nur eine vereinfachte Ein-Punkt-AUC ableiten.