混淆矩阵是评估监督学习算法性能的误差矩阵，包含TP、FN、FP、TN等关键指标，用于计算正确率、精确率、召回率、特异度和F1分数。它对于二元及多分类问题都有应用，帮助我们全面评价模型的分类效果。
什么是混淆矩阵?
混淆矩阵是一个误差矩阵，通常我们可以通过混淆矩阵来评定监督学习算法的性能。
混淆矩阵是除了ROC曲线和AUC之外的另一个判断分类好坏程度的方法。
二元分类的混淆矩阵形式如下：
以下有几个概念需要先说明：
TP(True Positive): 真实为0，预测也为0
FN(False Negative): 真实为0，预测为1
FP(False Positive): 真实为1，预测为0
TN(True Negative): 真实为1，预测也为1
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。
2) 精确率：模型预测到结论的特征与预测总之的比重
: 预测为0的准确率
3) 召回率：真实值中预测正确的特征占预测总数的比例
最低0.47元/天 解锁文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
