混淆矩阵让我混淆

计算每一个类的准确度:

    做实验要计算每一个类的acc,我当时想去调用方法,找到了答案,搬运如下:   


    from sklearn.metrics import confusion_matrix
    y_true = [2, 0, 2, 2, 0, 1]
    y_pred = [0, 0, 2, 2, 0, 2]
    matrix = confusion_matrix(y_true, y_pred)
    matrix.diagonal()/matrix.sum(axis=1)
    

    混淆矩阵二分类,TP,FP,TN,FN。看不懂。

    假设一个13个动物的样本,8只猫和5只狗,那混淆矩阵的结果可能如下表所示:

混淆矩阵:对角线上的是找对的,其他位置是找错的。给我两岁弟弟八张猫的图片,让我两岁弟弟认,他认出来五张是猫,包另外三张当成狗。

    那么找对了多少个样本:(5+3)/13

    那么找对了多少个猫:5/8

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
混淆矩阵是一种用于评估分类模型性能的工具,它模型的预测结果与真实结果进行比较,并将结果分为四个同的类别:真正例(True Positive,TP)、假正例(False Positive,FP)、真反例(True Negative,TN)和假反例(False Negative,FN)[^1]。混淆矩阵的主要目的是提供关于分类模型的性能的详细信息,以便我们可以更好地理解模型的准确性和可靠性。 混淆矩阵的评价指标包括以下几个方面: 1. 精确度(Accuracy):分类正确的样本数占总样本数的比例,即 (TP + TN) / (TP + FP + TN + FN)。 2. 灵敏度(Sensitivity)或真正例率(True Positive Rate,TPR):真正例的样本数占真实正例的比例,即 TP / (TP + FN)。 3. 特异度(Specificity)或真反例率(True Negative Rate,TNR):真反例的样本数占真实反例的比例,即 TN / (TN + FP)。 4. 阳性预测值(Positive Predictive Value,PPV)或精确率(Precision):真正例的样本数占预测正例的比例,即 TP / (TP + FP)。 5. 阴性预测值(Negative Predictive Value,NPV):真反例的样本数占预测反例的比例,即 TN / (TN + FN)。 混淆矩阵混淆矩阵精度的区别在于,混淆矩阵提供了分类模型的详细信息,包括真正例、假正例、真反例和假反例的数量,而混淆矩阵精度是通过计算混淆矩阵中的各项指标来评估分类模型的整体性能。混淆矩阵精度是一个综合指标,可以帮助我们判断分类模型的准确性和可靠性。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值