二分类混淆矩阵结构_经典分类评价与衡量方法1-混淆矩阵

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