实际
Positive
样本数
=TP+FN
实际
Negative
样本数
N = FP + TN
其中,
实际值也称为
target, reference, actural
。
相应地,
预测值为
model,
prediction, predicted
。
此处二元分类标识为
Positive
和
Negative
,有时也
标识为
Normal/Abnormal, Accept/Reject
或更简单的
Yes/No
,
or 1/0
。
下面是一个二元分类混淆矩阵的实例。一共有
30
张动物图片
,
其中
13
只猫,
17
只狗,一个二元分类器识别结果如下表。这就是一个简单的混淆矩阵。
有
TP
,
FP
,
FN
,
TN
后,可构造出很多指标,从不
同角度反映分类器的分类准确程度,常用的有,
1
)正确率(
Accuracy
):正确分类数
/
样本总数,
描述了分类器总体分类准确程度。
accuracy = (T
P+TN)/N, N=TP+FP+FN+TN
;上例中,
accuracy =
(
10+15
)
/30 = 0.83
实际
Cat
Dog
预测
结果
Cat
10
2
Dog
3
15