数据挖掘之混淆矩阵简单介绍

介绍

混淆矩阵：可以理解为就是一张表格，用n行n列的矩阵形式来表示。每一列代表了预测类别，每一行代表了数据的真实归属类别。

真阳性（True Positive，TP）：样本的真实类别是正例，并且模型预测的结果也是正例
真阴性（True Negative，TN）：样本的真实类别是负例，并且模型将其预测成为负例
假阳性（False Positive，FP）：样本的真实类别是负例，但是模型将其预测成为正例
假阴性（False Negative，FN）：样本的真实类别是正例，但是模型将其预测成为负例

实例

例如： 有66只动物，其中13只猫，53只不是猫，分类器判断时这13只猫只有10只预测对了，其他动物也只预测对了45只。

Accuracy：在总共66个动物中，我们一共预测对了10 + 45=55个样本，所以准确率（Accuracy）=55/66 = 83.33%。
Precision（猫）= 10/13 = 76.9%
Recall（猫）= 10/18 = 55.6%
Specificity（猫）= 45/48 = 93.8%
F1分数（F1 Score），F1分数（ Score），又称平衡F1分数（balanced F Score），它被定义为精确率和召回率的调和平均数。
F1分数（ Score），又称平衡F1分数（balanced F Score），它被定义为精确率和召回率的调和平均数。

除了F1分数之外， F2 分数和F0.5 分数在统计学中也得到大量的应用。

对猫而言，
F1-Score=（2 * 0.769 * 0.556）/（ 0.769 + 0.556） = 64.54%