混淆矩陣和性能指標目前，在 JMPpro 中，根據模型的混淆矩陣自動計算的唯一效能指標是錯誤分類率以及最終的 ROC AUC。 其他指標，如 Fase 陽性率和假陰性率、敏感性、特異性、陰性和陽性預測值、精確度/召回率（= F1 分數）和 MCC，在 ML 文獻中經常描述，對於模型比較非常有用。 存在線上計算器，但需要手動資料輸入，並且對資料輸入錯誤很敏感（參考：公式網站http://onlineconfusionmatrix.com/ ）。 我沒有Add-Inns的開發經驗。 對於尋找最佳 ML 模型的 JMP 使用者來說，從混淆矩陣計算這些效能測量的 Add-Inn 將非常受歡迎。 事實上，ROC 和錯誤分類率與最佳效能指標相差甚遠，尤其是當資料高度不平衡時，這是醫學分類中非常常見的情況。 我的問題是，開發這個Add-Inn有用嗎？論壇上有人可以為此付出一些努力嗎？
問候
魯
數據探索和視覺化預測建模和機器學習品質和工藝工程回覆：混淆矩陣和性能指標嗨，盧，
查看這兩個插件，看看它們是否能滿足您的需求。 第二個有很多你想要的東西，但運行速度往往很慢，所以要有耐心。 我專門創建的第一個是為了解決我想要的診斷測試措施。
效能摘要插件
模型分類閾值瀏覽器
