混淆矩阵是衡量分类模型准确度的重要工具，包括True Positive, False Negative, False Positive和True Negative四个指标。通过二级指标Accuracy、Precision、Recall和Specificity，以及三级指标F1-Score，可以更全面地评估模型性能。本文详细介绍了混淆矩阵的概念、计算方法和应用实例。"
113453436,10539511,卷积神经网络在图像局部风格迁移的应用,"['神经网络', '计算机视觉', '图像处理', '风格迁移', '深度学习']
简介
混淆矩阵是ROC曲线绘制的基础，同时它也是衡量分类型模型准确度中最基本，最直观，计算最简单的方法。
一句话解释版本：
混淆矩阵就是分别统计分类模型归错类，归对类的观测值个数，然后把结果放在一个表里展示出来。这个表就是混淆矩阵。
数据分析与挖掘体系位置
混淆矩阵是评判模型结果的指标，属于模型评估的一部分。此外，混淆矩阵多用于判断分类器（Classifier）的优劣，适用于分类型的数据模型，如分类树（Classification Tree）、逻辑回归（Logistic Regression）、线性判别分析（Linear Discriminant Analysis）等方法。
在分类型模型评判的指标中，常见的方法有如下三种：
- 混淆矩阵（也称误差矩阵，Confusion Matrix）
- ROC曲线
- AUC面积
本篇主要介绍第一种方法，即混淆矩阵，也称误差矩阵。
此方法在整个数据分析与挖掘体系中的位置如下图所示。
混淆矩阵的定义
混淆矩阵（Confusion Matrix），它的本质远没有
最低0.47元/天 解锁文章
扫一扫
3454
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
