导读
通常我们在解决某个问题的时候,会设计多种分类算法
在训练的时候我们还会调节各种超参以及使用各种trick
以获取最优的分类模型
,那这时候我们应该如何来衡量这个最优
呢?
分类算法的评估指标有很多种,选择使用哪一种评估指标,应该根据实际情况来进行选择,而不能一概而定。
混淆矩阵
我们先来了解一下混淆矩阵
,后面的分类评估指标其实都是在这个基础上发展而来,理解了这个,再去学习后面的评估指标就很简单了。
混淆矩阵(confusion matrix):是机器学习领域
和统计分类问题
中常用的可视化工具,从名字上不能看出其实它就是一个矩阵,它主要由两个维度组成实际类别
和预测类别
。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)。下面我们来看一个猫狗分类的实例
实际类别 | |||
猫 | 狗 | ||
预测类别 | 猫 | 5 | 2 |
狗 | 3 | 3 |
上面的表格很简洁的展示了分类模型的预测结果&