Sinopsis
Confusion matrix merupakan salah satu metode yang dapat digunakan untuk mengukur kinerja suatu metode klasifikasi. Pada dasarnya confusion matrix mengandung informasi yang membandingkan hasil klasifikasi yang dilakukan oleh sistem dengan hasil klasifikasi yang seharusnya- TN : merupakan data negatif yang terdeteksi dengan benar
- FP : merupakan data negatif namun terdeteksi sebagai data positif
- TP: merupakan data positif terdeteksi benar
- FN :merupakan data positif terdeteksi sebagai data negatif
TN = 0
FP =2
FN = 1
TP = 1
$$akurasi=\frac{TP+TN}{TP+TN+FP+FN}*100%$$
$$presisi=\frac{TP}{FP+TP}*100%$$
$$recall=\frac{TP}{FN+TP}$$
from sklearn.metrics import confusion_matrix
import numpy as np
target = np.array([0,1,0,1])
prediksi = np.array([1, 1, 1, 0])
tn, fp, fn, tp = confusion_matrix(target, prediksi).ravel()
tn = float(tn)
fp = float(fp)
fn = float(fn)
tp = float(tp)
print (tn, fp, fn, tp)
akurasi = ((tp+tn)/(tp+tn+fp+fn))*100
presisi = (tp/(fp+tp))*100
recall = (tp/(fn+tp))*100
print (akurasi,presisi, recall)
Menghasilkan
(0.0, 2.0, 1.0, 1.0)
(25.0, 33.33333333333333, 50.0)
ref:
http://achmatim.net/2017/03/19/mengukur-kinerja-algoritma-klasifikasi-dengan-confusion-matrix/
https://en.wikipedia.org/wiki/Confusion_matrix
No comments:
Post a Comment