Het wordt als volgt berekend:<\/span><\/p>\n MCC<\/strong> = (TP*TN \u2013 FP*FN) \/ \u221a (TP+FP)(TP+FN)(TN+FP)(TN+FN)<\/span><\/span><\/p>\n Goud:<\/span><\/p>\n Deze metriek is vooral handig wanneer de twee klassen niet in evenwicht zijn, dat wil zeggen dat de ene klasse veel meer voorkomt dan de andere.<\/span><\/p>\n De waarde van MCC ligt tussen -1 en 1 waarbij:<\/span><\/p>\n Stel bijvoorbeeld dat een sportanalist een logistisch regressiemodel<\/a> gebruikt om te voorspellen of 400 verschillende universiteitsbasketbalspelers wel of niet zullen worden opgeroepen voor de NBA.<\/span><\/p>\n De volgende verwarringsmatrix vat de voorspellingen van het model samen:<\/span> <\/p>\n Om de MCC van het model te berekenen, kunnen we de volgende formule gebruiken:<\/span><\/p>\n De Matthews-correlatieco\u00ebffici\u00ebnt blijkt 0,7368<\/strong> te zijn.<\/span><\/p>\n Deze waarde ligt enigszins in de buurt van \u00e9\u00e9n, wat aangeeft dat het model goed presteert bij het voorspellen of spelers zullen worden opgeroepen of niet.<\/span><\/p>\n In het volgende voorbeeld ziet u hoe u MCC voor dit specifieke scenario kunt berekenen met behulp van de functie mcc()<\/strong> uit het mltools-<\/b> pakket in R.<\/span><\/p>\n De volgende code laat zien hoe u een vector van voorspelde klassen en een vector van werkelijke klassen definieert, en vervolgens de Matthews-correlatieco\u00ebffici\u00ebnt berekent met behulp van de functie mcc()<\/strong> uit het mltools-<\/strong> pakket:<\/span><\/p>\n De Matthews-correlatieco\u00ebffici\u00ebnt is 0,7368<\/strong> .<\/span><\/p>\n Dit komt overeen met de waarde die we eerder handmatig hebben berekend.<\/span><\/p>\n Als u de Matthews-correlatieco\u00ebffici\u00ebnt voor een verwarringsmatrix wilt berekenen, kunt u het verwarringM-<\/strong> argument als volgt gebruiken:<\/span><\/p>\n Opnieuw is de Matthews-correlatieco\u00ebffici\u00ebnt 0,7368.<\/strong><\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende taken in R kunt uitvoeren:<\/span><\/p>\n Hoe logistische regressie uit te voeren in R Matthews Correlatie Co\u00ebffici\u00ebnt (MCC) is een metriek die we kunnen gebruiken om de prestaties van een classificatiemodel te evalueren. Het wordt als volgt berekend: MCC = (TP*TN \u2013 FP*FN) \/ \u221a (TP+FP)(TP+FN)(TN+FP)(TN+FN) Goud: TP : Aantal echte positieven TN : Aantal echte negatieven FP : Aantal valse positieven FN : Aantal valse negatieven Deze metriek […]<\/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":[],"class_list":["post-3614","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/equilibre1.png\")
<\/p>\n\n
Voorbeeld: Berekening van de Matthews-correlatieco\u00ebffici\u00ebnt 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 Aanvullende bronnen<\/strong><\/span><\/h2>\n
Hoe een ROC-curve te plotten met ggplot2<\/a>
Hoe de F1-score in R te berekenen<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"