混淆矩阵的思考

最新推荐文章于 2024-08-13 18:48:17 发布
最新推荐文章于 2024-08-13 18:48:17 发布
阅读量367 收藏 1
点赞数
分类专栏： 机器学习 文章标签： 算法 机器学习
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/HDuBois/article/details/119984310
版权
混淆矩阵是评估分类器性能的重要工具，本文通过生活化的解释阐述了TP、FP、TN、FN的含义。文章指出，Recall（召回率）衡量找到目标样本的能力，而Precision关注正确识别的比例。特异性（Specificity）则表示正确识别非目标样本的能力。Accuracy（准确率）在某些情况下可能不是最佳评估指标。
摘要由CSDN通过智能技术生成

混淆矩阵中可计算的比率非常多，现对其内涵做一个生活化的说明。

一、首先是上图中，横轴为实际情况，纵轴为预测情况。TN是True Negative，FN是False Negative,FP是 False Positive, TP是True Positive。

所以我们可以确定的是，上述四个词，第二个字母P/N指的是你的判断是P（positivie)还是N(negative)，而第一个词，是形容你的判断是不是准的。

例如FN，指的是你觉得他是negative,而你判断错了，所以它事实上是什么呢？肯定是你的判断的相反面，即FN在事实上是一种Positive.

二、进一步解释

混淆矩阵是用于评估分类器的性能，分类器是什么呢？例如，你去判断一个陌生人的好坏（注意，这里我们的目的是抓出坏人，即坏人是正样本，所谓的阳性），那么你就是一个分类器。那么以上的TP,FP,TN,FN代表的是什么涵义呢？

1）TP指的是，你判断这个人是坏人，而他也确实是坏人的情况。你不仅判断的对，而且你判断的重心也与我们的目标相符，这是典型的nice的判断。

2）FN指的是，你判断这个是好人，而他却是坏人的情况，是一种误判，在统计学中称为错误类型二；在这个错误中，你放过了我们的目标，所以是一种遗漏࿰

最低0.47元/天 解锁文章
地球引擎中级教程——基本监督分类改进和混淆矩阵精度评定（案例分析）
此星光明博客
09-25 778
Earth Engine 数据模型特别适合机器学习任务，因为它能够轻松地将不同空间分辨率、投影和数据类型的数据源合并在一起。通过向分类器提供附加信息，它能够轻松地分离不同的类。在这里，我们采用相同的示例并使用以下技术对其进行扩充 应用云掩膜 添加光谱指数：我们为不同的光谱指数添加波段，例如 - NDVI、NDBI、MNDWI 和 BSI。 添加高程和坡度：我们还添加了来自 ALOS DEM 的坡度和高程带。 标准化输入：当所有输入具有相同的规模时，机器学习模型效果最佳。我们将用最大值划分每个波段。此
分类模型评估：混淆矩阵、准确率、召回率、ROC
Laurence的技术博客
02-13 3455
在二分类问题中，混淆矩阵被用来度量模型的准确率。因为在二分类问题中单一样本的预测结果只有Yes or No，即：真或者假两种结果，所以全体样本的经二分类模型处理后，处理结果不外乎四种情况，每种情况都有一个专门称谓，如果用一个2行2列表格描述，得到的就是“混淆矩阵”。其中，假阳性（FP）又被称为“Type 1 Error”，假阴性（FN）又被称为“Type 2 Error”。在所有“预测为真”（TP+FP）的数据中，有多少是“真得预测对了”（TP）的? 这个百分比叫“准确率”（Precision）在所有“实际
混淆矩阵纠正
qq_37602161的博客
06-23 193
睿智的目标检测20——利用mAP计算目标检测精确度 浅析混淆矩阵
多分类中混淆矩阵的TP,TN,FN,FP计算
m0_62919535的博客
09-16 4853
创建混淆矩阵# 寻找GT中为目标的像素索引# 统计像素真实类别t[k]被预测成类别p[k]的个数@property"""计算混淆矩阵的TN, FP, FN, TP"""if n == 2:if n > 2:"""主要在eval的时候使用,你可以调用ravel获得TN, FP, FN, TP, 进行其他指标的计算计算全局预测准确率(混淆矩阵的对角线为预测正确的个数)计算每个类别的准确率计算每个类别预测与真实目标的iou,IoU = TP / (TP + FP + FN)"""
混淆矩阵、准确率、召回率、漏报率、误报率、F1分数
qq_29983883的博客
06-10 3115
比如在样本集中，正样本有90个，负样本有10个，样本是严重的不均衡。因为在二分类问题中单一样本的预测结果只有Yes or No，即：真或者假两种结果，所以全体样本的经二分类模型处理后，处理结果不外乎四种情况，每种情况都有一个专门称谓，如果用一个2行2列表格描述，得到的就是“混淆矩阵”，反映分类器或者模型正确预测负样本纯度的能力，减少将正样本预测为负样本，即正样本被预测为负样本占总的正样本的比例。反映分类器或者模型正确预测正样本纯度的能力，减少将负样本预测为正样本，即负样本被预测为正样本占总的负样本的比例。
图像分类模型评估之用python绘制混淆矩阵confusion_matrix
weixin_43984636的博客
03-31 6123
import oslabel = filename.split('.')[0] # 假设文件名为"label.image_id.jpg"格式label = label.split('_')[0] # 仅保留label信息# 加载数据集并进行预处理transforms.Resize((224, 224)), # 图像大小调整为224x224transforms.ToTensor(), # 将图像转换为Tensor格式，并将像素值缩放到[0, 1]
模型评估，混淆矩阵到底是个什么东东？
eternal的博客
11-01 977
混淆矩阵到底是个什么东东？ 大家如果学过机器学习的知识，应该见过这样一个东西 就是这样一个东西，用处可大了。现在我们一起探索这个框框的具体含义（仅在机器学习使用方面）。 1.预备知识 分类模型的评估 请大家回想一下，我们在做分类模型时，通常想要评定一个模型好不好的是怎样评定的呢？通常我们采用模型的准确率来评定一个模型的好坏。也就是说，例如我们现在训练了一个分类模型，现在有100个测试样本等待测试，用模型进行分类测试后发现这个模型测试正确了98个（测试正确的意思即是模型预测出的标签和真实标签相同）。现在，我
图像分类模型评估之用python绘制混淆矩阵confusion_matrix_python confusion_matrix
m0_60721649的博客
04-28 1047
)definitPython崛起并且风靡，因为优点多、应用领域广、被大牛们认可。学习 Python 门槛很低，但它的晋级路线很多，通过它你能进入机器学习、数据挖掘、大数据，CS等更加高级的领域。Python可以做网络应用，可以做科学计算，数据分析，可以做网络爬虫，可以做机器学习、自然语言处理、可以写游戏、可以做桌面应用…Python可以做的很多，你需要学好基础，再选择明确的方向。这里给大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！
五分钟秒懂机器学习混淆矩阵、ROC和AUC
TechFlow的博客
04-29 1719
本文始发于个人公众号：TechFlow，原创不易，求个关注 今天是机器学习专题的第18篇文章，我们来看看机器学习领域当中，非常重要的其他几个指标。 混淆矩阵 在上一篇文章当中，我们在介绍召回率、准确率这些概念之前，先讲了TP、FP、FN、和FP这几个值。我们再来简单地回顾一下，我们不能死记硬背这几个指标，否则很容易搞错，并且还容易搞混。我们需要从英文入手来理解，其中的T表示真，可以理解成预测正确...
混淆矩阵&漏报率&误报率
weixin_43178406的博客
07-12 1万+
漏报：进门时保安没有把小偷识别出来，让他进门了，可理解为漏网之鱼。 误报：保安一时糊涂将一个好人当成小偷抓起来了，错怪好人 漏报率：错误的当成正确的个数/错误的个数，也就是1-recall 误报率：正确的当成错误的个数/正确的个数，也就是FPR（假正率） ...
混淆矩阵，准确率，精确率，召回率，F1值，ROC/AUC曲线的理解
tituszm
05-29 1万+
在机器学习中，对一个模型的学习能力好坏的评估，往往人为判断不容易直接得到结果，这时候就可以根据一些数据指标进行分析评估。对模型（分类器，学习器）的泛化能力进行评估，有衡量模型泛化能力的评价标准，被称为性能度量。 性能度量反应了人物需求，在对比不同模型的能力时，使用不同的性能度量往往会导致不同的评判结果，这就意味着模型的"好坏"是相对的，什么样的模型是好的，不仅取决于算法和数据，还决定于任务需求。...
机器学习之基础知识（从数据处理到模型评估）
Lin_w_x的博客
11-04 1341
机器学习基础知识
机器学习----混淆矩阵(Confusion Matrix)
__Miracle__
08-12 1万+
混淆矩阵(Confusion Matrix) 假设有一个算法，其预测某种癌症的准确率为99.9%。这个算法好吗？ 99.9%的准确率看上去很高，但是如果这种癌症本身的发病率只有0.1%，即使不训练模型而直接预测所有人都是健康人，这样的预测的准确率也能达到99.9%。 更极端的情况，如果这种癌症本身的发病率只有0.01%，这算法预测的准确率还不如直接预测所有人都健康。 对于极度偏斜的数据(癌症患者的人数和健康人数量差别特别大)（skewed data），用准确率评价分类算法好坏有局限性.] 解决方法：混淆矩阵
一文读懂混淆矩阵，准确率，精准率，召回率，漏检率，P-R曲线 ROC，AUC 的区别和联系
changdejie的专栏
09-15 7551
经常对这些概念比较混淆，下面对这些概念进行深入和系统的理解。 其中 P（Positive）：代表实际正确 N（Negative）：代表实际错误 T（True）：代表预测正确 F（False）：代表预测错误 准确率和错误率。 我们可以很自然的想到准确率，准确率的定义是预测正确的结果占总样本的百分比，其公式如下： 准确率=(TP+TN)/(TP+TN+FP+FN)，错误率则是，1-准确率 虽然准确率可以判断总的正确率，但是在样本不平衡的情况下...
【机器学习】混淆矩阵(Confusion Matrix)
最新发布
AlanWang4523
08-13 663
机器学习之混响矩阵及精确率、召回率、正确率等指标的含义和计算
机器学习概念笔记（1）——混淆矩阵、Precision、Recall、F-score
qq_28810395的博客
07-09 1745
进入机器学习，必定会进行建模，对这些模型性能进行度量，便引入很多性能指标进行衡量，根据其性能指标，逐渐优化我们的模型。 1、混淆矩阵 混淆矩阵我们也称为误差矩阵，利用N×N的矩阵进行进度评价。 TP(True Positive): 实际为正样本，预测也为正样本，预测正确。（真阳性） FN(False Negative):实际为正样本，预测为负样本，预测错误。（假阴性） FP(False Positive):实际为负样本，预测为正样本，预测错误。（假阳性） TN(True Negative):实际为负样本，
秒懂Confusion Matrix之混淆矩阵详解
low5252的博客
02-21 3万+
秒懂Confusion Matrix之混淆矩阵详解 Wiki： 在机器学习领域和统计分类问题中，混淆矩阵（英语：confusion matrix）是 可视化工具，特别用于监督学习，在无监督学习一般叫做匹配矩阵。矩阵的 每一列代表一个类的实例预测，而每一行表示一个实际的类的实例。 之所以如此命名，是因为通过这个矩阵可以方便地看出机器是否将 两个不同的类混淆了（比如说把一个类错当成了另一个）。 混淆...
写论文过程记录-评价指标-混淆矩阵-FAR-FRR-EER-ROC曲线-AUC值-Recall-Precision-PR曲线
qq_36710839的博客
02-01 1089
如果你在认识这些指标的过程中，被各种说法折腾的毫无头绪，一团乱麻，请看下面的详细解释，纯手工整理，非复制粘贴。 混淆矩阵 经典的混淆矩阵，各项含义如下： FN：False Negative,被判定为负样本，但事实上是正样本。 FP：False Positive,被判定为正样本，但事实上是负样本。 TN：True Negative,被判定为负样本，事实上也是负样本。 TP：True Positive,被判定为正样本，事实上也是正样本。 在人脸鉴别，签字鉴别等需要鉴定身份的领域，需要使
误报率、故障检测率、漏报率、虚警率、误警率等指标异同及计算公式
热门推荐
And_ZJ的博客
05-04 4万+
文章目录误报率、故障检测率、漏报率等指标1. 一些标准指标的计算true positive rate (tp rate)【真阳性率】, or hit rate 【命中率】, or recall 【召回率】：false positive rate (fp rate) 【假阳性率】, or false alarm rate：sensitivity【灵敏度】：specificity【特异度】：preci...
编写故障诊断技术Matlab代码有以下条件1利用西储大学数据集2利用栈式稀疏自编码器3绘制混淆矩阵
04-28
好的，你的问题是如何利用条件一、二和三编写故障诊断技术Matlab代码。以下是一个简单的步骤： 1. 下载并导入西储大学数据集。这个数据集包含了机器运行过程中的传感器测量值，以及相应的故障标签。 2. 利用Matlab中的深度学习工具箱，设计和训练一个栈式稀疏自编码器。这个自编码器的目的是对数据进行特征提取和降维，以便后续的故障诊断任务。 3. 利用训练好的自编码器，对数据集中的所有样本进行编码。得到的编码向量可以看作是每个样本的特征表示。 4. 将编码向量和故障标签，分成训练集和测试集。使用训练集来训练一个支持向量机（SVM）分类器，用来进行故障分类任务。 5. 在测试集上进行分类，得到混淆矩阵。混淆矩阵可以反映分类器的性能，包括正确率、召回率和F1值等。 在这个过程中，需要注意以下几点： 1. 数据预处理：对数据进行预处理是非常重要的。这包括对数据进行归一化、去噪、平衡化等处理，以便更好地训练自编码器和SVM分类器。 2. 自编码器的设计：自编码器可以有不同的设计，例如多层自编码器、卷积自编码器等。需要根据实际情况选择最合适的设计。 3. SVM参数的调整：SVM有很多参数需要调整，包括核函数、正则化系数等。需要根据实际情况进行调整，以获得最佳的分类效果。 总之，这个过程需要一定的实践经验和专业知识，需要认真思考和尝试。希望这些信息能对你有所帮助。
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

打赏作者

HDuBois

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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