29、评估多分类问题--混淆矩阵和F分数

Posted 2023-05-02

参考技术A 输出

模型的精度为95.1%，混淆矩阵每一行对应于真实标签，每一列对应于预测标签。

比如0这个类别，预测为0有37个，真实为0也有37个，预测准确；1这个类别，预测为1有44个，真实为1有39个，实际为5类有1个，实际为7类有1个，实际为8类有3个。

输出

classification_report函数计算每个类别的准确率、召回率和F分数。类别0的准确率和召回率都是完美的1，因为没有错分；类别7准确率为1，因为没有其他类别被误分为7；类别6，预测为6有54个，而6类共有52个，召回率为1。模型对类别3和类别8的表现特别不好。

输出
0.953
0.954

通过构建混淆矩阵评估 NaiveBayes 分类器

【中文标题】通过构建混淆矩阵评估 NaiveBayes 分类器

【英文标题】：Evaluating NaiveBayes classifier by constructing confusion matrix

【发布时间】：2016-03-30 05:06:40

【问题描述】：

我正在尝试为血压患者建立一个混淆矩阵，其中实际患者人数预测血压=0.18 而不是 0.82 现在朴素贝叶斯分类器预测了没有血压=0.410 而不是 0.0913 的患者。我是新手，我不知道如何为上述问题构建混淆矩阵。请有人可以帮助我吗？

【参考方案1】：

要计算混淆矩阵，您需要了解单个测试样本的协议。

您无法仅根据各个估计量的频率来计算它。

在数学上，您需要联合分布，但您只给出了边分布。