Confusion-Matrizen
Confusion-Matrizen sind ein super Startpunkt, um die Genauigkeit deines Modells zu untersuchen. Sie liefern die Werte, die du brauchst, um viele Metriken zu berechnen – darunter Sensitivität, Spezifität und den F1-Score.
Du hast ein Klassifikationsmodell gebaut, das anhand eines Röntgenbilds vorhersagt, ob eine Person einen Armbruch hat. Für das Testset bekommst du folgende Confusion-Matrix:
| Vorhersage: 0 | Vorhersage: 1 | |
|---|---|---|
| Tatsächlich: 0 | 324 (TN) | 15 (FP) |
| Tatsächlich: 1 | 123 (FN) | 491 (TP) |
Diese Übung ist Teil des Kurses
Modellvalidierung in Python
Anleitung zur Übung
- Verwende die Confusion-Matrix, um die Gesamtgenauigkeit (Accuracy) zu berechnen.
- Verwende die Confusion-Matrix, um Precision und Recall zu berechnen.
- Nutze die drei print-Anweisungen, um jeden Wert auszugeben.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Calculate and print the accuracy
accuracy = (____ + ____) / (953)
print("The overall accuracy is {0: 0.2f}".format(accuracy))
# Calculate and print the precision
precision = (____) / (____ + ____)
print("The precision is {0: 0.2f}".format(precision))
# Calculate and print the recall
recall = (____) / (____ + ____)
print("The recall is {0: 0.2f}".format(recall))