Praktyk AI zbudował klasyfikator obrazów do głębokiego uczenia się dla typów materiałów i teraz musi ocenić jego wydajność. Która metryka jest najbardziej pomocna w ocenie modelu klasyfikacyjnego?

Macierz pomyłek (Confusion matrix) jest najbardziej pomocna, ponieważ dostarcza szczegółowego przeglądu wydajności modelu klasyfikacyjnego, pokazując liczbę poprawnych i niepoprawnych przewidywań dla każdej klasy. Pozwala obliczyć metryki takie jak precyzja, kompletność (recall) i F1-score, które są kluczowe w ocenie klasyfikatorów. Macierz korelacji (Correlation matrix) mierzy zależności między zmiennymi, a nie wydajność klasyfikacji. Wynik R2 (R2 score) i średni błąd kwadratowy (MSE) są metrykami używanymi głównie do oceny modeli regresji, a nie klasyfikacji.