Interactive Lab #7

Confusion Matrix & ROC Curve Simulator

Classification Threshold (τ) ကို ရွှေ့လျားရင်း True/False Positives များနှင့် Precision-Recall Trade-off များကို တိုက်ရိုက် လေ့လာပါ။

Drag the decision threshold slider (τ) to observe True/False Positives, Precision, Recall, F1-Score, and ROC Curve updates live.

AUC-ROC: 0.940

Accuracy: 88.0%

F1 Score: 86.4%

Decision Threshold (τ)0.50

τ = 0.01 (High Sensitivity / Predict all Positive)τ = 0.99 (High Specificity / Predict all Negative)

2×2 Confusion Matrix Heatmap

Total Samples: 100

True Positive (TP)

Actual: 1 | Predicted: 1

False Positive (FP)

Actual: 0 | Predicted: 1 (Type I Error)

False Negative (FN)

Actual: 1 | Predicted: 0 (Type II Error)

True Negative (TN)

Actual: 0 | Predicted: 0

Dataset Presets

Receiver Operating Characteristic (ROC Curve)AUC = 0.940

Precision (TP / (TP+FP)):100.0%

Recall / Sensitivity:76.0%

Specificity (TN / (TN+FP)):100.0%

F1-Score (Harmonic Mean):86.4%

💡 Confusion Matrix & Evaluation Metrics ဆိုသည်မှာ ဘာလဲ?

Confusion Matrix (၂×၂ ဇယား) သည် Machine Learning Classification Model တစ်ခု၏ တိကျမှုနှင့် မှားယွင်းမှုများကို အသေးစိတ် သုံးသပ်ရန် အသုံးပြုသော Evaluator ဇယားဖြစ်သည်။ accuracy တစ်ခုတည်းကြည့်ခြင်းထက် FP (Type I Error) နှင့် FN (Type II Error) တို့ကို အနီးကပ် လေ့လာနိုင်သည်။

1. Precision (မှန်ကန်မှု)

`TP / (TP + FP)` — Model က Positive ဟု ခန့်မှန်းခဲ့သမျှထဲမှ အမှန်တကယ် Positive ဖြစ်သော ရာခိုင်နှုန်း။

2. Recall / Sensitivity

`TP / (TP + FN)` — အမှန်တကယ် Positive ဖြစ်သော ဒေတာအားလုံးထဲမှ Model က ရှာဖွေတွေ့ရှိခဲ့သော ရာခိုင်နှုန်း။

3. F1 Score

Precision နှင့် Recall တို့၏ Harmonic Mean ဖြစ်သည်။ Imbalanced Data များတွင် Model စွမ်းဆောင်ရည် တိုင်းတာရန် အလွန် သင့်လျော်သည်။

4. ROC Curve & AUC

FPR vs TPR ၏ စွမ်းဆောင်ရည် မျဉ်းကွေးဖြစ်သည်။ AUC = 1.0 ဖြစ်ပါက အလွန် ကောင်းမွန်သော Perfect Classifier ဖြစ်သည်။