混淆矩阵相关概念

已于 2022-11-27 15:28:52 修改
阅读量570 收藏 2
点赞数 1
分类专栏： 人工智能 文章标签： 人工智能
于 2022-11-26 21:29:01 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/DAHWHG/article/details/128056195
版权

什么是混淆矩阵

对于二分类问题而言，结果有以下四种，行表示真实值，列表示预测值。预测正确存在两种情况，预测错误也存在两种情况。 

TP：预测正确，预测为真即实际为真

FP：预测错误，预测为真即实际为假

FN：预测错误，预测为假即实际为真

TN：预测正确，预测为假即实际为假

对于多分类问题，混淆矩阵的含义也基本相同，下图以三分类问题为例说明如何计算上述指标。

 以猫为例

TP：预测是猫，实际也是猫，从图中可以看到这个值为10。

FP：预测为猫，实际不是猫，从图中可以看出在预测为猫的中有1只是狗、2只是猪，故值为3。

FN：预测不是猫，实际是猫，从图中可以看出18只猫中只有10只被正确预测，故值为8。

TN：预测不是猫，实际也不是猫，值为15+6+4+20=45

其实从上述计算也可以看出，多分类问题可以先对其中某一类进行分析，转换为‘某一类’和‘除该类之外的其余类’的二分类问题。

相关指标

召回率

真的中有多少被预测出来了

 Recall= \frac{TP}{TP+FN}

精准率

预测为真的中有多少是真的

Precision= \frac{TP}{TP+FP}

F1分数

一般来说，召回率和精准率是相互矛盾的，一个指标升高则另一个指标就会降低。为了兼顾二者，计算得到了两个指标的调和平均数。

\frac{2}{F_1{}}=\frac{1}{P}+\frac{1}{R}

F_{1}=2\cdot \frac{P\cdot R}{P+R}

真阳率

最早来自于医学概念（灵敏度），表示真的里面有多少被诊断为阳，与召回率计算公式相同。如果真阳率较低，则会延误患者的就诊。

TPR=\frac{TP}{TP+FN}

假阳率

同样也来自于医学概念（误诊率），表示假的里面有多少被诊断为阳。如果假阳率较高，则会浪费医疗资源、造成患者无端恐慌。

FPR=\frac{FP}{FP+TN}

正确率

正确预测的比例

Accuracy=\frac{TP+TN}{TP+FP+FN+TN}

dahehe_
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
python混淆矩阵.py
08-21
python编写的混淆矩阵计算结果，里面有关键步骤的详细说明，使用者可以自行修改自己加以利用。其中的分类数据需要自己通过相关软件获得，另外分类图和预测图的类别代表数值要一致，否则出错。
混淆矩阵的概念和使用.txt
02-06
混淆矩阵
一文详尽混淆矩阵、准确率、精确率、召回率、F1值、P-R 曲线、ROC 曲线、AUC 值、Micro-F1 和 Macro-F1
My Blogs
02-21 5503
文章目录二分类的评价指标一、混淆矩阵与 TP、TN、FP、FN二、准确率、精确率、召回率、F1值三、P-R 曲线四、ROC 曲线、AUC 值五、P-R曲线和ROC曲线有什么区别，如何选择？多分类的评价指标Reference 二分类的评价指标 对于二分类问题，机器预测的和实际的还是会有所偏差，所以我们引入以下几个概念来评价分类器的优良。 一、混淆矩阵与 TP、TN、FP、FN 混淆矩阵 ...
速记混淆矩阵中的FP、FN、FP、TN
小白tree的博客
04-25 5400
很多时候混淆矩阵中的这四个概念也很容易让人混淆。 只需要记住： 首字母 T / F 表示的是你预测对了True，还是错了False， 次字母 P / N 表示的是你预测的标签为正Positive，还是负Negtive。 接下来就好理解了： （1） TP(True Positive)真正：将正类预测为正类数，真实为0，预测也为0 （2） FN(False Negative)假负：将正类预测为负类数，真实为0，预测为1 （3） FP(False Positive)假正：将负类预测为正类数， 真实为1，预测为0
TP、TN、FP、FN
sslfk的博客
03-01 4692
P/N：表示模型预测的结果积极或消极。 T/F：表示模型预测的结果正确或错误。 所以 TP：表示模型预测为positive是准确的 TN：表示模型预测为negtive是正确的 FP：表示模型预测为positive是错误的 FN：表示模型预测为negtive是错误的 准确率（accuracy）=(TP + TN)/(TP+TN+FP+FN)，表示模型预测准确的概率 查准率-精准率(Precision) = TP/(TP+FP)，表示预测为positve的结果中预测正确所占的比例 查全率-
机器学习（)-多分类任务混淆矩阵
热门推荐
TIAN妹的博客
12-28 1万+
混淆矩阵的实例 当分类问题是二分问题是，混淆矩阵可以用上面的方法计算。当分类的结果多于两种的时候，混淆矩阵同时适用。 一下面的混淆矩阵为例，我们的模型目的是为了预测样本是什么动物，这是我们的结果： 通过混淆矩阵，我们可以得到如下结论： Accuracy 在总共66个动物中，我们一共预测对了10 + 15 + 20=45个样本，所以准确率（Accuracy）=45/66 = 68.2%...
【机器学习笔记15】多分类混淆矩阵、F1-score指标详解与代码实现（含数据）
issey的博客
11-01 1万+
混淆矩阵简介;二分类混淆矩阵;多分类混淆矩阵;准确率、精确率、召回率、特异度；F1-score；示例与代码实现；使用sklearn对比计算结果是否正确
混淆矩阵：用于多分类模型评估（pytorch)
地中海の养成记
04-14 1万+
这里写目录标题1. 混淆矩阵介绍二级目录三级目录2. 代码实现 1. 混淆矩阵介绍 二级目录 三级目录 2. 代码实现
深入了解多分类混淆矩阵：解读、应用与实例
null18的博客
09-28 1947
混淆矩阵是一个用于可视化分类模型性能的表格，它将模型的预测结果与实际标签进行比较。对于多分类问题，混淆矩阵的结构可能会略有不同，但基本思想相同。其中，每一行代表实际类别，每一列代表模型的预测类别。矩阵的对角线上的元素（TPii）表示模型正确预测的样本数，而非对角线元素则表示模型错误预测的样本数。解读混淆矩阵True Positives (TP)：模型正确预测为第 i 类的样本数。False Positives (FP)：模型错误地预测为第 i 类的样本数。
多分类混淆矩阵的理解
这个人很蓝
08-08 1万+
借用其它博客的一张例子示意图，该图为一个三分类问题的混淆矩阵，对角线的值表示分类器对该类别预测正确的个数，每一列纵轴表示这个类别真实的样本数，例如从第一列可以得知猫一共有10+3+5=18只，因此总样本数为三列之和，即66。 下面以猫为例，介绍从混淆矩阵中计算TP、TN、FP、FN。 TP(True Positive)和FN(False Negative)：从第一列可知，猫一共有18只，其中只有10个被分类器正确预测，而有3只被预测成狗，5只被预测成猪，因此对猫这个类别来说，TP=10（正确预测成猫的样本
混淆矩阵的MATLAB算法代码，直接能用！
05-07
混淆矩阵的MATLAB源代码，直接能用的代码，可以用来计算分类结果的准确率还能度量划分效果，混淆矩阵的概念虽然简单，但需要注意的点特别多，看此代码，绝对复制过去就能用！
C#，数值计算，数据测试用的对称正定矩阵（Symmetric Positive Definite Matrix）的随机生成算法与
04-09
泰伯(H.Taber)引入矩阵的迹的概念并给出了一些有关的结论。 在线性代数里，正定矩阵 (positive definite matrix) 有时会简称为正定阵。在线性代数中，正定矩阵的性质类似复数中的正实数。与正定矩阵相对应的线性算子...
单层感知器神经网络matlab代码-generic_neural_network:用python库NNAPI实现神经网络
05-20
[注意：请参考并了解有关混淆矩阵的更多信息] 使用的方法： 使用随机梯度下降（SGD）算法训练网络，批处理大小作为程序的可配置输入。 使用的数据集（培训/测试）： 通用神经网络在UCI信息库中可用的数据集上进行了...
l-曲线matlab代码-alphabet-of-mathematics:有关在不同科学中如何使用各种字母和符号的词汇表
05-24
l-曲线矩阵代码数学字母 有关在不同科学中如何使用各种字母和符号的词汇表 理由：学习曲线较短； 也许会点亮一些意外的连接 十多年来，我一直想做到这一点。 让我大吃一惊的是，一位朋友将Salman Khan的简介介绍给...
基于python的神经网络框架，有一定自由度，使用也较简单
03-21
performance.py：包含了混淆矩阵等评价指标，用于评估模型的性能。 train.py：定义了训练结构，包括数据加载、模型训练循环、验证和测试过程。 perceptron.py，hebb.py：分别包含了感知机算法和Hebb学习规则的实现，...
混淆矩阵的生成
宁静与致远的博客
03-09 8782
混淆矩阵（Confusion Matrix）是一个二维表格，常用于评价分类模型的性能。在混淆矩阵中，每一列代表了预测值，每一行代表了真实值。因此，混淆矩阵中的每一个元素表示了一个样本被预测为某一类别的次数。预测值=正例预测值=反例真实值=正例TPFN真实值=反例FPTN其中，TP表示真正例（True Positive），FN表示假反例（False Negative），FP表示假正例（False Positive），TN表示真反例（True Negative）。
机器学习的评估指标，混淆矩阵、recall、TP,FP等含义
q1030460485的博客
04-13 3888
机器学习的评估指标 目录： 混淆矩阵（confusion matrix） 准确率（accuracy） 查准率（precision） 查全率（recall） P-R 曲线 F-β 分数 机器学习要建模，需要有指标来衡量模型性能的好坏，即模型的泛化能力，这就是性能度量。通过指标来对比不同模型，从而知道模型的好坏程度，并通过这个指标来进一步调参逐步优化模型。 1、混淆矩阵（confusion matrix） 在二分类的模型中，把预测情况与实际情况的所有结果进行组合，就会有真正 (true p..
机器学习基础（一）混淆矩阵，真阳性(TP)，真阴性(TN)，假阳性(FP)，假阴性(FN)以及敏感性(Sensitivity)和特异性(Specificity)
记录深度学习日常
01-30 9168
介绍机器学习的基础，混淆矩阵，真阳性，真阴性，假阳性，假阴性，敏感性和特异性。
模型评估——混淆矩阵confusion_matrix
abc123mma的博客
02-04 1万+
本篇文章我们讲一个评估方法，混淆矩阵（confusion_matrix ） 混淆矩阵定义及表示含义 ： 混淆矩阵以矩阵形式将数据集中的记录按照真实的类别与分类模型预测的类别判断两个标准进行汇总。其中矩阵的行表示真实值，矩阵的列表示预测值。 TP（True Positive）: 将正类预测为正类数 即正确预测，真实为0，预测也为0 FN （False Negative）：将正类预测为负类 即错误预测，真实为0，预测为1 FP（False Positive）：将负类预测为正类数 即错误预测...
混淆矩阵和置信度没关系吗
最新发布
04-17
混淆矩阵和置信度是两个不同的概念，它们之间没有...虽然混淆矩阵和置信度都与分类模型相关，但它们是不同的概念，没有直接的关系。混淆矩阵用于评估模型的分类性能，而置信度则用于衡量模型对于预测结果的可靠程度。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值