Confusion matrices
Confusion matrices zijn een mooie manier om de nauwkeurigheid van je model te verkennen. Ze geven de waarden die je nodig hebt om allerlei statistieken te berekenen, zoals sensitiviteit, specificiteit en de F1-score.
Je hebt een classificatiemodel gebouwd om te voorspellen of iemand een gebroken arm heeft op basis van een röntgenfoto. Voor de testset heb je de volgende confusion matrix:
| Voorspelling: 0 | Voorspelling: 1 | |
|---|---|---|
| Werkelijk: 0 | 324 (TN) | 15 (FP) |
| Werkelijk: 1 | 123 (FN) | 491 (TP) |
Deze oefening maakt deel uit van de cursus
Modelvalidatie in Python
Oefeninstructies
- Gebruik de confusion matrix om de algehele accuracy te berekenen.
- Gebruik de confusion matrix om precision en recall te berekenen.
- Gebruik de drie print-statements om elke waarde voor de nauwkeurigheid af te drukken.
Interactieve oefening met praktijkervaring
Probeer deze oefening door deze voorbeeldcode aan te vullen.
# 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))