混淆矩阵以及相关指标

最新推荐文章于 2024-08-19 20:05:05 发布

ZeroHomer

最新推荐文章于 2024-08-19 20:05:05 发布

阅读量1.6k

点赞数 1

文章标签：机器学习

本文链接：https://blog.csdn.net/ZeroHomer/article/details/123786117

版权

1.混淆矩阵

混淆矩阵是用来总结一个分类器结果的矩阵。对于k元分类，其实它就是一个k x k的表格，用来记录分类器的预测结果。

例子：

假设某医院需要对10位（编号1到10）密接者进行核酸检验，检验结果如下：

1	2	3	4	5	6	7	8	9	10
阳性	阴性	阴性	阴性	阴性	阳性	阳性	阴性	阴性	阴性

而真实的结果是：

1	2	3	4	5	6	7	8	9	10
阳性	阴性	阴性	阳性	阴性	阴性	阳性	阳性	阴性	阴性

可以看到4号和8号密接者是阳性而检测错误成了阴性，而6号是阴性而检测错误成了阴性，而其余的检测结果都是正确的。

那么我们做如下定义：

在本例中

我们可以把上述 TP TN FP FN列成如下矩阵

$TP\;2$	$TN\;5$
$FP\;1$	$FN\;2$

而混淆矩阵就是由上述 TP TN FP FN 组成的矩阵

混淆矩阵只计算了个数，我们可以通过计算准确率等指标得到更加直观的结果。

准确率（Accuracy）
$Accuracy = \frac{TP+TN}{TP+TN+FP+FN}$
准确率用于判断正确的结果占观测值的比重
在上述案例中 $\small Accuracy = \frac{5+2}{10} = 70%$
精确率（Precision）
$Precision = \frac{TP}{TP+FP}$
精确率用于判断在预测值是positive的结果中预测正确的比重
上述案例中 $\small Precision = \frac{2}{1+2} = \frac{2}{3}$
召回率（Recall）
$Recall = \frac{TP}{TP+FN}$
召回率用于判断在真实值是positive的结果中预测正确的比重
上述案例中 $\small Recall = \frac{2}{1+2} = \frac{2}{3}$