使用pytorch计算分类模型的混淆矩阵

Posted 2023-03-04

参考技术A 混淆矩阵是评判模型结果的一种指标，属于模型评估的一部分，常用于评判分类器模型的优劣。
一个例子：

横坐标：每一列对应属于该类的所有验证样本（真实值）
纵坐标：每一行对应预测属于该类的所有样本（预测值）

对角线：预测正确的样本个数
预测值在对角线上分布的越密集（即对角线上的数越大），模型预测效果越好

准确率（Accuracy）：预测正确的样本个数 / 所有样本总数（即矩阵中所有对角线数之和除以矩阵所有数字之和）

tips：针对于每个类别，而准确率针对的是所有样本

TP、TN、FP、FN总结：
TP、TN越大越好；
FN、FN越小越好

记法：第一个字母代表对错（True、False），第二个字母代表预测的值（Positive、Negative），如TP代表预测值为1，且预测正确。FN代表预测值为0，且预测错误。

精确率（Precision）：模型预测的所有positive中，预测正确的比例
召回率（Recall）：所有真实的positive中，模型预测正确的positive比例
特异度（Specificity）：所有真实negative中，模型预测正确的negative比例

参考博文：
1. https://blog.csdn.net/Orange_Spotty_Cat/article/details/80520839

参考视频：
1. https://www.bilibili.com/video/BV1GV411C7AW?spm_id_from=333.999.0.0

R语言使用yardstick包的conf_mat函数计算多分类（Multiclass）模型的混淆矩阵并使用summary函数基于混淆矩阵输出分类模型评估的其它详细指标（kappanpv等13个）

R语言使用yardstick包的conf_mat函数计算多分类（Multiclass）模型的混淆矩阵（confusion matrix）、并使用summary函数基于混淆矩阵输出分类模型评估的其它详细指标（kappa、npv、ppv、灵敏度、特异度、准确率、f1、mcc等13个指标）

目录