混淆矩阵(Confusion Matrix)
Posted Terry_dong
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了混淆矩阵(Confusion Matrix)相关的知识,希望对你有一定的参考价值。
混淆矩阵是除了ROC曲线和AUC之外的另一个判断分类好坏程度的方法。
以下有几个概念需要先说明:
TP(True Positive): 真实为0,预测也为0
FN(False Negative): 真实为0,预测为1
FP(False Positive): 真实为1,预测为0
TN(True Negative): 真实为1,预测也为1
:分类模型总体判断的准确率(包括了所有class的总体准确率)
: 预测为0的准确率
: 真实为0的准确率
: 真实为1的准确率
: 预测为1的准确率
: 对于某个分类,综合了Precision和Recall的一个判断指标,F1-Score的值是从0到1的,1是最好,0是最差
: 另外一个综合Precision和Recall的标准,F1-Score的变形
举个经典的二分类例子:
, ,
如果是多分类的呢?举一个三分类的例子:
, ,
因此我们知道,计算Specificity,Recall,Precision等只是计算某一分类的特性,而Accuracy和F1-Score这些是判断分类模型总体的标准。我们可以根据实际需要,得出不同的效果。
以上是关于混淆矩阵(Confusion Matrix)的主要内容,如果未能解决你的问题,请参考以下文章
使用 plot_confusion_matrix 绘制多个混淆矩阵
如何反转 Sklearn `plot_confusion_matrix` 函数中的混淆矩阵? [关闭]
sklearn.metrics.confusion_matrix—计算混淆矩阵来评估分类的准确性
R语言使用caret包的confusionMatrix函数计算混淆矩阵使用编写的自定义函数可视化混淆矩阵(confusion matrix)