【机器学习|评价指标1】真正例（True Positive）、假正例（False Positive）、真负例（True Negative）、假负例（False Negative）详解，附代码。

【机器学习|评价指标1】真正例（True Positive）、假正例（False Positive）、真负例（True Negative）、假负例（False Negative）详解，附代码。

【机器学习|评价指标1】真正例（True Positive）、假正例（False Positive）、真负例（True Negative）、假负例（False Negative）详解，附代码。

---

---

欢迎铁子们点赞、关注、收藏！
祝大家逢考必过！逢投必中！上岸上岸上岸！upupup

大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文。详细信息可关注VX “学术会议小灵通”或参考学术信息专栏：https://blog.csdn.net/2401_89898861/article/details/147776758

---

前言

在机器学习的分类任务中，混淆矩阵（Confusion Matrix） 是一种用于评估模型性能的工具，特别适用于二分类问题。混淆矩阵通过比较模型的预测结果与实际标签，统计出以下四种情况：

• 真正例（True Positive, TP）：模型正确地将正类样本预测为正类。
• 假正例（False Positive, FP）：模型错误地将负类样本预测为正类。
• 真负例（True Negative, TN）：模型正确地将负类样本预测为负类。
• 假负例（False Negative, FN）：模型错误地将正类样本预测为负类。

这些统计量可以帮助我们计算多种性能指标，如准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1分数（F1 Score）等。

以下是一个使用 Python 计算混淆矩阵及其各项指标的示例代码：

from sklearn.metrics import confusion_matrix, accuracy_score, precision_score, recall_score, f1_score

# 假设的真实标签和预测标签
y_true = [0, 1, 1, 0, 1, 0, 1, 0]
y_pred = [0, 1, 0, 0, 1, 1, 1, 0]

# 计算混淆矩阵
tn, fp, fn, tp = confusion_matrix(y_true, y_pred).ravel()

# 输出各项指标
print(f"真正例 (TP): {tp}")
print(f"假正例 (FP): {fp}")
print(f"真负例 (TN): {tn}")
print(f"假负例 (FN): {fn}")

# 计算性能指标
accuracy = accuracy_score(y_true, y_pred)
precision = precision_score(y_true, y_pred)
recall = recall_score(y_true, y_pred)
f1 = f1_score(y_true, y_pred)

print(f"准确率 (Accuracy): {accuracy:.2f}")
print(f"精确率 (Precision): {precision:.2f}")
print(f"召回率 (Recall): {recall:.2f}")
print(f"F1 分数 (F1 Score): {f1:.2f}")

• 运行上述代码将输出混淆矩阵的各项值以及模型的性能指标，帮助我们全面评估分类模型的表现。
• 需要注意的是，准确率在类别不平衡的数据集上可能会产生误导，因此在这种情况下，更应关注精确率、召回率和F1分数等指标。