Confusion Matrix
- 실제 Negative (음성) 클래스를 예측한 Negative (음성) 클래스와 Positive (양성) 클래스로 분류한 경우: True Negative (TN)
- 실제 Negative (음성) 클래스를 예측한 Positive (양성) 클래스로 잘못 분류한 경우: False Positive (FP)
- 실제 Positive (양성) 클래스를 예측한 Positive (양성) 클래스와 Negative (음성) 클래스로 분류한 경우: True Positive (TP)
- 실제 Positive (양성) 클래스를 예측한 Negative (음성) 클래스로 잘못 분류한 경우: False Negative (FN)
Confusion Matrix를 보면 모델이 어떤 클래스를 얼마나 정확하게 분류했는지를 알 수 있다. 이를 통해 모델의 성능을 평가하고, 개선할 수 있는 방향을 찾을 수 있다.
accuracy_score는 모델이 정확하게 예측한 샘플의 비율을 나타낸다.
사진에서 정확도 계산 (52+28) / cm.sum() 의 과정을 거치면 0.8 이 나오는ㄴ데 이는 80%의 정확도를 나타낸다
하지만 accuracy_score 를 사용하면 자동으로 정확도를 계산해주는 역할을 한다.
'Machine Learning' 카테고리의 다른 글
| [Machine Learning]머신러닝의 Support Vector Machine(SVM)알고리즘 (0) | 2024.04.15 |
|---|---|
| [Machine Learning]머신러닝의 KNN 알고리즘(K-Nearest Neighbor) (0) | 2024.04.15 |
| [Machine Learning]머신러닝의 로지스틱 회귀(Logistic Regression) (0) | 2024.04.15 |
| [Machine Learing]머신러닝의 데이터 전처리과정(3)선형회(LinearRegression) (0) | 2024.04.14 |
| [Machine Learing]머신러닝의 데이터 전처리과정(2)(Feature Scaling,Training,Test) (0) | 2024.04.14 |
