分类精度评价代码matlab,matlab实现混淆矩阵评价指标（精度，召回率，F1分数）...

声明：转自https://blog.csdn.net/TIME_LEAF/article/details/83443908

混淆矩阵的分析直接参考https://blog.csdn.net/guomutian911/article/details/78396399

个人感觉写的简洁明了的一篇博文，适合初学。

一、混淆矩阵的评价指标

记录一下，在学习用SVM分类时，需要对分类结果进行评价，光有正确率是不够的，所以就使用了混淆矩阵。原理的话，很多博客上都有，但为了便于理解程序，就简单讲一下。

结合程序，我们的类别是(-1,1)，在Matlab中，类别是按照值的大小排的，即-1在前。但为了更加直观明了，解释理论的时候依然是1为正类。

TP:真正，“T”，分类正确，“P”，预测为正

FP:假正，“F”，分类错误，“P”，预测为正

FN:假负，“F”，分类错误，“N”，预测为负

TN:真负，“T”，分类正确，“N”，预测为负

评价指标：

Precision 精确率：被正确分类的正样本数占所有被分成正样本数的比例

Recall 召回率：被正确分类的正样本数占正样本总数的比例

F1值：基于精确率和召回率的调和平均值

根据公式，我们可以写出代码：

clc

clear all

% 真实类别

real_label = [1, 1, -1, -1, -1];

% 预测类别

predict_label = [1, 1, -1, -1, 1];

% 利用“confusionmat”可以直接产生混淆矩阵，不过-1在前，1在后

[A,~] = confusionmat(real_label,predict_label);

% 计算-1类的评价值

c1_precise = A(1,1)/(A(1,1) + A(2,1));

c1_recall = A(1,1)/(A(1,1) + A(1,2));

c1_F1 = 2 * c1_precise * c1_recall/(c1_precise + c1_recall);

% 计算1类的评价值

c2_precise = A(2,2)/(A(1,2) + A(2,2));

c2_recall = A(2,2)/(A(2,1) + A(2,2));

c2_F1 = 2 * c2_precise * c2_recall/(c2_precise + c2_recall);

二、混淆矩阵的分析

假定一个实验有 P个positive实例，在某些条件下有 N 个negative实例。那么上面这四个输出可以用下面的偶然性表格(或混淆矩阵)来表示：

公式陈列、定义如下：