Matlab评价网络模型性能指标

根据网络模型训练的YValidation,和YPred，计算网络模型的F1Score、FPR(False Positive Rate)、Sensitivity、Specificity以及Time(s)等性能指标。

F1Score是准确率和召回率的调和平均，用于综合评价分类器的性能。分数越高，说明分类器在平衡精确率和召回率时表现越好。FPR表示被错误地分类为正类别的样本占实际负类别样本数量的比例。Sensitivity表示正确分类为正类别的样本数量占实际正类别样本数量的比例。它衡量了分类器对正类别样本的识别能力。Specificity表示正确分类为负类别的样本数量占实际负类别样本数量的比例。它衡量了分类器对负类别样本的识别能力。

代码：

% Load the predicted labels and true labels
% load('YPred.mat');  % Replace 'YPred.mat' with the actual filename
% load('YValidation.mat');  % Replace 'YValidation.mat' with the actual filename

% Calculate confusion matrix
confMat = confusionmat(YValidation, YPred);

% Calculate metrics
TP = diag(confMat);  % True Positives
FP = sum(confMat, 1) - TP;  % False Positives
FN = sum(confMat, 2) - TP;  % False Negatives
TN = sum(confMat(:)) - (TP + FP + FN);  % True Negatives

accuracy = sum(TP) / sum(confMat(:));  % Accuracy

precision = TP ./ (TP + FP);  % Precision
recall = TP ./ (TP + FN);  % Recall / Sensitivity
specificity = TN ./ (TN + FP);  % Specificity

F1_score = 2 * (precision .* recall) ./ (precision + recall);  % F1 Score

FPR = FP ./ (FP + TN);  % False Positive Rate

analyzeNetwork(your_net); % 分析和可视化神经网络模型 

fprintf('Evaluation Metrics:\n');
fprintf('Accuracy: %.4f\n', accuracy);
fprintf('F1 Score: %.4f\n', mean(F1_score));
fprintf('FPR: %.4f\n', mean(FPR));
fprintf('Sensitivity (Recall): %.4f\n', mean(recall));
fprintf('Specificity: %.4f\n', mean(specificity));