分类模型的评估方法
目录
混淆矩阵
在讲矩阵之前,我们先复习下之前在讲分类评估指标中定义的一些符号含义,如下:
正例
- 如果是预测疾病,这项的结果是“患有疾病”
- 二元目标变量中的1
负例
- 如果是预测疾病,这项的结果是“未患有疾病”
- 二元目标变量中的0
- TP(True Positive)真正:将正类预测为正类数,真实为1,预测也为1. 即属于该类预测为该类的数目
- TN(True Negative)真负:将负类预测为负类数,真实为0,预测也为0,即不属于该类预测为不属于该类的数目
- FN(False Negative)假负:将正类预测为负类数,真实为1,预测为0,即属于该类预测为不属于该类的数目
- FP(False Positive)假正:将负类预测为正类数, 真实为0,预测为1,即不属于该类预测为该类的数目
1、混淆矩阵定义及表示含义
混淆矩阵是机器学习中总结分类模型预测结果的情形分析表,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