Ich kenne keine Standardantwort darauf, aber ich habe vor einiger Zeit darüber nachgedacht und ich habe einige Ideen, die ich teilen kann.
Wenn Sie eine Verwirrungsmatrix haben, haben Sie mehr oder weniger ein Bild davon, wie Ihr Klassifizierungsmodell Klassen verwirrt (falsch klassifiziert). Wenn Sie Klassifizierungstests wiederholen, erhalten Sie mehrere Verwirrungsmatrizen. Die Frage ist, wie man eine aussagekräftige aggregierte Verwirrungsmatrix erhält. Die Antwort hängt davon ab, was Sinn bedeutet (Wortspiel beabsichtigt). Ich denke, es gibt keine einzige Version von Sinn.
Eine Möglichkeit besteht darin, der groben Idee mehrerer Tests zu folgen. Im Allgemeinen testen Sie etwas mehrmals, um genauere Ergebnisse zu erhalten. Grundsätzlich kann man argumentieren, dass die Mittelung der Ergebnisse der Mehrfachtests die Varianz der Schätzungen verringert und folglich die Genauigkeit der Schätzungen erhöht. Sie können auf diese Weise natürlich vorgehen, indem Sie Position für Position summieren und dann durch die Anzahl der Tests dividieren. Sie können weiter gehen und anstatt nur einen Wert für jede Zelle der Verwirrungsmatrix zu schätzen, können Sie auch einige Konfidenzintervalle, t-Werte usw. berechnen. Dies ist aus meiner Sicht in Ordnung. Aber es erzählt nur eine Seite der Geschichte.
Die andere Seite der Geschichte, die untersucht werden könnte, ist, wie stabil die Ergebnisse für dieselben Fälle sind. Um zu veranschaulichen, dass ich ein extremes Beispiel nehmen werde. Angenommen, Sie haben ein Klassifizierungsmodell für 3 Klassen. Angenommen, diese Klassen haben das gleiche Verhältnis. Wenn Ihr Modell in der Lage ist, eine Klasse perfekt und die anderen 2 Klassen mit zufälliger Leistung vorherzusagen, haben Sie am Ende ein Fehlklassifizierungsverhältnis von 0,33 + 0,166 + 0,166 = 0,66. Dies mag gut erscheinen, aber selbst wenn Sie sich eine einzelne Verwirrungsmatrix ansehen, werden Sie nicht wissen, dass Ihre Leistung in den letzten beiden Klassen stark variiert. Mehrere Tests können helfen. Aber eine Mittelung der Verwirrungsmatrizen würde dies offenbaren? Mein Glaube ist nicht. Die Mittelung ergibt mehr oder weniger das gleiche Ergebnis, und mehrere Tests verringern nur die Varianz der Schätzung.
Ein anderer Weg, um die Verwirrungsmatrizen zusammenzusetzen, würde besser eine Vorhersagedichte für jede Instanz beinhalten. Man kann diese Dichte aufbauen, indem man für jede Instanz zählt, wie oft eine bestimmte Klasse vorhergesagt wurde. Nach der Normalisierung haben Sie für jede Instanz eine Vorhersagedichte und kein einzelnes Vorhersageetikett. Sie können sehen, dass ein einzelnes Vorhersageetikett mit einer degenerierten Dichte ähnlich ist, wobei Sie für jede vorhergesagte Klasse eine Wahrscheinlichkeit von 1 und für die anderen Klassen eine Wahrscheinlichkeit von 0 haben. Mit diesen Dichten kann man nun eine Verwirrungsmatrix erstellen, indem man die Wahrscheinlichkeiten von jeder Instanz und vorhergesagten Klasse zur entsprechenden Zelle der aggregierten Verwirrungsmatrix addiert.
Man kann argumentieren, dass dies ähnliche Ergebnisse wie die vorherige Methode liefern würde. Ich denke jedoch, dass dies manchmal der Fall sein kann, oft wenn das Modell eine geringe Varianz aufweist. Die zweite Methode wird weniger davon beeinflusst, wie die Stichproben aus den Tests gezogen werden, und ist daher stabiler und realitätsnaher.
Auch das zweite Verfahren könnte geändert werden, um ein drittes Verfahren zu erhalten, bei dem man als Vorhersage das Etikett mit der höchsten Dichte aus der Vorhersage einer gegebenen Instanz zuweisen kann.
Ich habe diese Dinge nicht implementiert, aber ich habe vor, weiter zu studieren, weil ich glaube, dass es sich lohnt, etwas Zeit zu verbringen.