混同行列計算機
二項分類器のTP/TN/FP/FNカウントから精度、適合率、再現率、F1、特異度、NPV、FPR、FNRおよびマシューズ相関係数を計算します。各メトリクスの公式と品質格付けが表示されます。
入力
正しく予測された正例。
モデルが見落とした実際の正例（陰性と予測）。
モデルが正と判定した実際の陰性例。
正しく予測された陰性例。
出力
Your results will appear here.
| Predicted Positive | Predicted Negative | |
|---|---|---|
| No data yet | ||
| Metric | Formula | Value | Rating |
|---|---|---|---|
| No data yet | |||
このツールを使う他の方法
REST API
curl -X POST https://api.iotools.cloud/v1/tool/confusion-matrix-calculator \
-H "Authorization: Bearer YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"truePositive": "50",
"falseNegative": "10",
"falsePositive": "5",
"trueNegative": "100"
}'ご自身のアカウントのキーに差し替えてください。ツールのフィールドがそのままリクエストボディになります——ラッパーはありません。
AIエージェントに依頼する
Use the IOTools `confusion-matrix-calculator` tool (Confusion Matrix Calculator) on this input:
YOUR_INPUT_HEREIOTools MCPサーバーに接続された任意のエージェントにこれを貼り付け、入力内容を追加してください。
埋め込みウィジェット
<iframe
src="https://iotools.cloud/embed/confusion-matrix-calculator/"
width="100%" height="520" frameborder="0" scrolling="no" loading="lazy"
title="混同行列計算機 — iotools.cloud"
sandbox="allow-scripts allow-forms allow-same-origin allow-downloads allow-popups allow-popups-to-escape-sandbox"
allow="clipboard-write"
style="width:100%;border:1px solid #e5e7eb;border-radius:12px;overflow:hidden"></iframe>
<script src="https://iotools.cloud/embed.js" async></script>ご自身のページに貼り付けるだけ——無料、キー不要、リンクを掲載するだけです。
| API/MCP 1回あたりの費用 | 5クレジットから |
|---|---|
| クレジットが足りませんか? | 料金を見る |
次の方法でも利用可能
ガイド
この計算機は何をしますか？
二項分類器の混同行列から4つのカウント値を入力してください。真陽性、偽陰性、偽陽性、真陰性 — すると、すべての標準評価メトリクスが瞬時に計算されます。精度、適合率、再現率、特異度、F1スコア、マシューズ相関係数 (MCC)、陰性予測値、偽陽性率、偽陰性率、およびバランス精度の推定値です。各メトリクスは公式と品質格付け（優秀/良好/可/不良）が表示されるため、どの公式がどれなのかを覚えたり、手で導出したりする必要がありません。
使い方
- 真陽性 (TP) を入力 — 正しく予測された正例。
- 偽陰性 (FN) を入力 — モデルが見落とした実際の正例。
- 偽陽性 (FP) を入力 — モデルが正と判定した実際の陰性例。
- 真陰性 (TN) を入力 — 正しく予測された陰性例。
- 結果を読む：全体的な品質ゲージ、テーブルとして配置された行列、および各メトリクスとその公式と格付け。
精度だけではなくMCCを使うのはなぜですか？
精度は不均衡なデータセットでは誤解を招く可能性があります。99%が陰性であるデータセットで常に「陰性」を予測する分類器は、99%の精度を達成しながら、正例を1つも捕捉しません。マシューズ相関係数は、混同行列の4つのカウント値すべてを1つのバランスの取れた尺度に使用し、-1（完全な不一致）から+1（完全な予測）までの範囲があります。0はランダム推測と変わらないことを意味します。そのため、不均衡なクラスには、より信頼性の高い単一の数値と考えられています。
適合率と再現率の違いは何ですか？
適合率は「私が正と予測したもののうち、実際に正だったものはいくつですか？」（TP / (TP+FP)）に答えます — 誤検知にペナルティを与えます。再現率（感度）は「実際に正だったもののうち、いくつキャッチしましたか？」（TP / (TP+FN)）に答えます — 見落としにペナルティを与えます。この2つはトレードオフの関係にあるため、F1スコア（それらの調和平均）は、2つの間の単一のバランスポイントとしてよく報告されます。
「AUC推定値」は実際のAUCですか？
正確には違います — 真のROC AUCには、多くの決定閾値にわたる分類器のスコアが必要ですが、1つの混同行列（1つの閾値）では提供できません。ここに示されている「AUC推定値」はバランス精度です — 再現率と特異度の平均 — 一般的な単一閾値の近似であり、サンプルごとのスコアがある場合の真のROC曲線の計算の代わりではありません。
プライバシー
すべての計算はブラウザで局所的に実行されます — カウント値がサーバーに送信されることはありません。
2つのレートの差が統計的に有意かどうかを評価する場合（たとえば、2つのモデルの変換率またはエラー率を比較する場合）、A/Bテスト有意性計算機を参照してください。データを収集する前に、特定の効果サイズを検出するために必要なデータ量を計画する場合は、A/Bテストサンプルサイズ計算機を参照してください。