Viene calcolato come segue:<\/span><\/p>\n Centro clienti<\/strong> = (TP*TN \u2013 FP*FN) \/ \u221a (TP+FP)(TP+FN)(TN+FP)(TN+FN)<\/span><\/span><\/p>\n Oro:<\/span><\/p>\n Questa metrica \u00e8 particolarmente utile quando le due classi sono sbilanciate, ovvero una classe appare molto pi\u00f9 dell’altra.<\/span><\/p>\n Il valore di MCC \u00e8 compreso tra -1 e 1 dove:<\/span><\/p>\n Supponiamo, ad esempio, che un analista sportivo utilizzi un modello di regressione logistica<\/a> per prevedere se 400 diversi giocatori di basket universitari verranno arruolati o meno nella NBA.<\/span><\/p>\n La seguente matrice di confusione riassume le previsioni fatte dal modello:<\/span> <\/p>\n Per calcolare l’MCC del modello, possiamo utilizzare la seguente formula:<\/span><\/p>\n Il coefficiente di correlazione di Matthews risulta essere 0,7368<\/strong> .<\/span><\/p>\n Questo valore \u00e8 piuttosto vicino a uno, indicando che il modello sta facendo un buon lavoro nel prevedere se i giocatori verranno scelti o meno.<\/span><\/p>\n L’esempio seguente mostra come calcolare il Centro clienti per questo scenario specifico utilizzando la funzione mcc()<\/strong> del pacchetto mltools<\/b> in R.<\/span><\/p>\n Il codice seguente mostra come definire un vettore di classi previste e un vettore di classi effettive, quindi calcolare il coefficiente di correlazione di Matthews utilizzando la funzione mcc()<\/strong> del pacchetto mltools<\/strong> :<\/span><\/p>\n Il coefficiente di correlazione di Matthews \u00e8 0,7368<\/strong> .<\/span><\/p>\n Questo corrisponde al valore che abbiamo calcolato manualmente in precedenza.<\/span><\/p>\n Se vuoi calcolare il coefficiente di correlazione Matthews per una matrice di confusione, puoi utilizzare l’argomento confusionM<\/strong> come segue:<\/span><\/p>\n Ancora una volta, il coefficiente di correlazione di Matthews \u00e8 0,7368.<\/strong><\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre attivit\u00e0 comuni in R:<\/span><\/p>\n Come eseguire la regressione logistica in R Il coefficiente di correlazione di Matthews (MCC) \u00e8 una metrica che possiamo utilizzare per valutare le prestazioni di unmodello di classificazione . Viene calcolato come segue: Centro clienti = (TP*TN \u2013 FP*FN) \/ \u221a (TP+FP)(TP+FN)(TN+FP)(TN+FN) Oro: TP : numero di veri positivi TN : numero di veri negativi FP : Numero di falsi positivi FN […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/equilibre1.png\")
<\/p>\n\n
Esempio: calcolo del coefficiente di correlazione di Matthews in R<\/strong><\/span><\/h2>\n
library<\/span> (mltools)\n\n#define vector of actual classes\n<\/span>actual <- rep<\/span> (c(1, 0), times<\/span> =c(20, 380))\n\n#define vector of predicted classes\n<\/span>preds <- rep<\/span> (c(1, 0, 1, 0), times<\/span> =c(15, 5, 5, 375))\n\n#calculate Matthews correlation coefficient\n<\/span>mcc(preds, actual)\n\n[1] 0.7368421\n<\/strong><\/pre>\n library<\/span> (mltools)\n\n#create confusion matrix\n<\/span>conf_matrix <- matrix(c(15, 5, 5, 375), nrow= 2<\/span> )\n\n#view confusion matrix\n<\/span>conf_matrix\n\n [,1] [,2]\n[1,] 15 5\n[2,] 5,375\n\n#calculate Matthews correlation coefficient for confusion matrix\n<\/span>mcc(confusionM = conf_matrix)\n\n[1] 0.7368421\n<\/strong><\/pre>\n Risorse addizionali<\/strong><\/span><\/h2>\n
Come tracciare una curva ROC utilizzando ggplot2<\/a>
Come calcolare il punteggio F1 in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"