Калькулятор матрицы ошибок
Вычислите Точность, Полноту, Recall, F1, Специфичность, NPV, FPR, FNR и Коэффициент корреляции Мэтьюса из подсчётов TP/TN/FP/FN бинарного классификатора, с формулой и оценкой качества для каждой метрики.
Ввод
Случаи, правильно предсказанные как положительные.
Фактические положительные результаты, пропущенные моделью (предсказаны как отрицательные).
Фактические отрицательные результаты, отмеченные моделью как положительные.
Случаи, правильно предсказанные как отрицательные.
Вывод
Your results will appear here.
| Predicted Positive | Predicted Negative | |
|---|---|---|
| No data yet | ||
| Metric | Formula | Value | Rating |
|---|---|---|---|
| No data yet | |||
Другие способы использовать этот инструмент
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"
}'Подставьте свой собственный ключ из аккаунта. Поля инструмента — это тело запроса, без обёртки.
Спросите у ИИ-агента
Use the IOTools `confusion-matrix-calculator` tool (Confusion Matrix Calculator) on this input:
YOUR_INPUT_HEREВставьте это любому агенту, подключённому к MCP-серверу IOTools, и добавьте свой ввод.
Виджет для встраивания
<iframe
src="https://iotools.cloud/embed/confusion-matrix-calculator/"
width="100%" height="520" frameborder="0" scrolling="no" loading="lazy"
title="Калькулятор матрицы ошибок — 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>Вставьте это на свою страницу — бесплатно, без ключа, нужна лишь обратная ссылка.
| Стоимость вызова API/MCP | От 5 кредитов |
|---|---|
| Нужно больше кредитов? | Посмотреть тарифы |
Также доступно через
Руководства
Что делает этот калькулятор?
Введите четыре значения из матрицы ошибок бинарного классификатора — Истинно положительный, Ложно отрицательный, Ложно положительный и Истинно отрицательный — и получите все стандартные метрики оценки, вычисленные мгновенно: Точность, Полнота, Recall, Специфичность, Оценка F1, Коэффициент корреляции Мэтьюса (MCC), Значение предсказания отрицательного, Частота ложных положительных, Частота ложных отрицательных и оценку Сбалансированной точности. Каждая метрика показывает свою формулу и оценку качества (Отлично / Хорошо / Удовлетворительно / Плохо), поэтому вам не нужно запоминать, какая формула какая, или выводить их вручную.
Как использовать
- Введите Истинно положительный (TP) — случаи, правильно предсказанные как положительные.
- Введите Ложно отрицательный (FN) — фактические положительные результаты, пропущенные моделью.
- Введите Ложно положительный (FP) — фактические отрицательные результаты, отмеченные моделью как положительные.
- Введите Истинно отрицательный (TN) — случаи, правильно предсказанные как отрицательные.
- Прочитайте результаты: общий индикатор качества, матрица в виде таблицы и каждая метрика с её формулой и оценкой.
Почему использовать MCC вместо просто Точности?
Точность может быть обманчива на несбалансированных наборах данных — классификатор, который всегда предсказывает «отрицательный» на наборе данных, которые на 99% отрицательны, достигает 99% точности, не перехватывая ни одного положительного результата. Коэффициент корреляции Мэтьюса использует все четыре значения матрицы ошибок в одну сбалансированную меру, колеблющуюся от -1 (полное несогласие) до +1 (идеальное предсказание), где 0 означает не лучше случайного угадывания — вот почему это считается более надёжным единственным числом для несбалансированных классов.
В чём разница между Полнотой и Recall?
Полнота отвечает на вопрос «из всего, что я предсказал как положительное, сколько было фактически положительным?» (TP / (TP+FP)) — она наказывает ложные срабатывания. Recall (Чувствительность) отвечает на вопрос «из всего, что было фактически положительным, сколько я перехватил?» (TP / (TP+FN)) — она наказывает пропуски. Они взаимно заменяют друг друга, поэтому Оценка F1 (их среднее гармоническое) часто указывается как одна точка равновесия между ними.
Является ли "оценка AUC" истинной AUC?
Не совсем — истинная ROC AUC требует оценок классификатора на многих пороговых значениях решения, которые одна матрица ошибок (один порог) не может предоставить. Показанная здесь «оценка AUC» — это Сбалансированная точность — среднее Recall и Специфичности — распространённое приближение с одним порогом, а не замена расчёта истинной кривой ROC, если у вас есть оценки для каждого образца.
Конфиденциальность
Все расчёты выполняются локально в вашем браузере — ваши значения никогда не отправляются на сервер.
Чтобы оценить, является ли разница между двумя показателями статистически значимой (например, при сравнении показателей конверсии или ошибок двух моделей), см. Калькулятор значимости A/B теста. Чтобы спланировать, сколько данных вам нужно собрать для выявления определённого размера эффекта до их сбора, см. Калькулятор размера выборки A/B теста.