IT и интернет

MCC Мэтьюса и сбалансированная точность

Оценивает бинарную классификацию с учётом всех четырёх ячеек, включая истинно отрицательные результаты.

</>быстрый расчёт
онлайн

Введите данные

Истинно положительные TP

Истинно отрицательные TN

Ложно положительные FP

Ложно отрицательные FN

Данные не отправляются на сервер

Результат

Коэффициент корреляции Мэтьюса0,583333

Сбалансированная точность79,1667 %

Информированность Юдена0,5833

Формула

Как считается результат

MCC=(TP·TN−FP·FN)/√[(TP+FP)(TP+FN)(TN+FP)(TN+FN)]. Сбалансированная точность BA=(TPR+TNR)/2 усредняет полноту двух классов; информированность J=TPR+TNR−1. Все четыре маргинальных числа должны быть положительны.

Пример с тестовыми данными

Истинно положительные TP: 30; Истинно отрицательные TN: 50; Ложно положительные FP: 10; Ложно отрицательные FN: 10

Коэффициент корреляции Мэтьюса: 0,5833333333; Сбалансированная точность: 79,16666667 %; Информированность Юдена: 0,5833333333

О расчёте

Как пользоваться
калькулятором

Оценивает бинарную классификацию с учётом всех четырёх ячеек, включая истинно отрицательные результаты.

01
Подготовьте данные
Используйте исходные величины именно для рассматриваемого случая: истинно положительные tp; истинно отрицательные tn; ложно положительные fp; ложно отрицательные fn.
02
Проверьте единицы и условия
Одна бинарная задача и фиксированный порог решения, целочисленные частоты. Вырожденная таблица с нулевой маргинальной группой отклоняется вместо неявного соглашения о MCC=0. Нет доверительных интервалов, вероятностной калибровки и выбора оптимального порога.
03
Прочитайте результат
MCC=1 при идеальной классификации, 0 при отсутствии бинарной корреляции и −1 при полностью инвертированных ответах. BA не равна обычной доле правильных ответов, если классы несбалансированы. TN здесь существенны, в отличие от F1 положительного класса.

Подробное объяснение

Как читать результат

Расшифровка показателей, пример вычисления и ограничения метода — без лишних терминов.

Что означают результаты

MCC=1 при идеальной классификации, 0 при отсутствии бинарной корреляции и −1 при полностью инвертированных ответах. BA не равна обычной доле правильных ответов, если классы несбалансированы. TN здесь существенны, в отличие от F1 положительного класса.

Когда модель применима

Одна бинарная задача и фиксированный порог решения, целочисленные частоты. Вырожденная таблица с нулевой маргинальной группой отклоняется вместо неявного соглашения о MCC=0. Нет доверительных интервалов, вероятностной калибровки и выбора оптимального порога.

Разбор по шагам

Пример расчёта

Пример 1

Исходные данные: Истинно положительные TP: 30; Истинно отрицательные TN: 50; Ложно положительные FP: 10; Ложно отрицательные FN: 10
Вычисление: MCC=(TP·TN−FP·FN)/√[(TP+FP)(TP+FN)(TN+FP)(TN+FN)]. Сбалансированная точность BA=(TPR+TNR)/2 усредняет полноту двух классов; информированность J=TPR+TNR−1. Все четыре маргинальных числа должны быть положительны. Коэффициент корреляции Мэтьюса: (((30) × (50)-(10) × (10)) ÷ sqrt(((30)+(10)) × ((30)+(10)) × ((50)+(10)) × ((50)+(10)))) = 0,5833333333. Сбалансированная точность: ((30) ÷ ((30)+(10))+(50) ÷ ((50)+(10))) ÷ 2 × 100 = 79,16666667 %. Информированность Юдена: (30) ÷ ((30)+(10))+(50) ÷ ((50)+(10))-1 = 0,5833333333.
Результат: Коэффициент корреляции Мэтьюса: 0,5833333333; Сбалансированная точность: 79,16666667 %; Информированность Юдена: 0,5833333333

Пример 2

Исходные данные: Истинно положительные TP: 50; Истинно отрицательные TN: 30; Ложно положительные FP: 10; Ложно отрицательные FN: 10
Вычисление: Коэффициент корреляции Мэтьюса: (((50) × (30)-(10) × (10)) ÷ sqrt(((50)+(10)) × ((50)+(10)) × ((30)+(10)) × ((30)+(10)))) = 0,5833333333. Сбалансированная точность: ((50) ÷ ((50)+(10))+(30) ÷ ((30)+(10))) ÷ 2 × 100 = 79,16666667 %. Информированность Юдена: (50) ÷ ((50)+(10))+(30) ÷ ((30)+(10))-1 = 0,5833333333.
Результат: Коэффициент корреляции Мэтьюса: 0,5833333333; Сбалансированная точность: 79,16666667 %; Информированность Юдена: 0,5833333333

Этот вариант использует другие исходные данные: Истинно положительные TP — 50; Истинно отрицательные TN — 30; Ложно положительные FP — 10; Ложно отрицательные FN — 10. MCC=1 при идеальной классификации, 0 при отсутствии бинарной корреляции и −1 при полностью инвертированных ответах. BA не равна обычной доле правильных ответов, если классы несбалансированы. TN здесь существенны, в отличие от F1 положительного класса.

Формула и обозначения

tp — истинно положительные tp.

tn — истинно отрицательные tn.

fp — ложно положительные fp.

fn — ложно отрицательные fn.

Практическое применение

Оценивает бинарную классификацию с учётом всех четырёх ячеек, включая истинно отрицательные результаты. MCC=(TP·TN−FP·FN)/√[(TP+FP)(TP+FN)(TN+FP)(TN+FN)]. Сбалансированная точность BA=(TPR+TNR)/2 усредняет полноту двух классов; информированность J=TPR+TNR−1. Все четыре маргинальных числа должны быть положительны.

Частые ошибки

Используйте исходные величины именно для рассматриваемого случая: истинно положительные tp; истинно отрицательные tn; ложно положительные fp; ложно отрицательные fn.

Источники и допущения

Основание расчёта

Метод, правило или ставка сверены с указанным источником. Последняя проверка этой реализации: 2026-09-30.

Одна бинарная задача и фиксированный порог решения, целочисленные частоты. Вырожденная таблица с нулевой маргинальной группой отклоняется вместо неявного соглашения о MCC=0. Нет доверительных интервалов, вероятностной калибровки и выбора оптимального порога.
Используйте исходные величины именно для рассматриваемого случая: истинно положительные tp; истинно отрицательные tn; ложно положительные fp; ложно отрицательные fn.

scikit-learn: коэффициент корреляции Мэтьюса ↗

Коротко о главном

Вопросы
и ответы

Что показывает «коэффициент корреляции мэтьюса»?＋

Как проверить расчёт на конкретном примере?＋

Истинно положительные TP: 30; Истинно отрицательные TN: 50; Ложно положительные FP: 10; Ложно отрицательные FN: 10. Коэффициент корреляции Мэтьюса: 0,5833333333; Сбалансированная точность: 79,16666667 %; Информированность Юдена: 0,5833333333. MCC=(TP·TN−FP·FN)/√[(TP+FP)(TP+FN)(TN+FP)(TN+FN)]. Сбалансированная точность BA=(TPR+TNR)/2 усредняет полноту двух классов; информированность J=TPR+TNR−1. Все четыре маргинальных числа должны быть положительны.

Какие ограничения есть у метода?＋

Можно ли изменить исходные данные и сравнить варианты?＋

Да. MCC=1 при идеальной классификации, 0 при отсутствии бинарной корреляции и −1 при полностью инвертированных ответах. BA не равна обычной доле правильных ответов, если классы несбалансированы. TN здесь существенны, в отличие от F1 положительного класса. Сравнивайте варианты в одинаковых единицах и при неизменных допущениях: Одна бинарная задача и фиксированный порог решения, целочисленные частоты. Вырожденная таблица с нулевой маргинальной группой отклоняется вместо неявного соглашения о MCC=0. Нет доверительных интервалов, вероятностной калибровки и выбора оптимального порога.