【分类指标（一）】如何理解混淆矩阵 | 准确率 | 精确率 | 召回率 | F值等

原创 已于 2022-04-04 21:27:45 修改 · 2.6k 阅读 · 6 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#python #混淆矩阵

于 2022-04-04 10:15:03 首次发布
本文详细介绍了混淆矩阵及其分类统计指标，如True Positive Rate (TPR) 和 False Positive Rate (FPR)，并探讨了它们在计算AUROC和AUPR中的作用。此外，还涵盖了准确率、精确率、召回率和F1值等关键评估指标，并提供了Python代码示例。最后，讨论了如何理解并绘制AUROC和AUPR曲线，以深入评估模型性能。

目录

1 混淆矩阵定义( C o n f u s i o n   M a t r i x \rm{}Confusion~Matrix Confusion Matrix)

  在分类统计指标的学习过程中，对混淆矩阵的学习是绕不过的一环。只有理解好了混淆矩阵才能对 F p r 、 T p r 、 R e c a l l 、 P r e c i s i o n 、 A U R O C 、 A P U R \rm{}Fpr、Tpr、Recall、Precision、AUROC、APUR Fpr、Tpr、Recall、Precision、AUROC、APUR等概念有更深刻的认识。混淆矩阵是通过模型在测试集上的预测来计算的，通过观察混淆矩阵可以更好的理解模型的优缺点。

  如上图所示，列表示 A c t u a l l y   P o s i t i v e   a n d   A c t u a l l y   N e g a t i v e \rm{}Actually~Positive~ and~Actually ~Negative Actually Positive and Actually Negative指的是数据集中的真实标签( g r o u n d   t r u t h   l a b e l s \rm{ground~truth~labels} ground truth labels)，行表示 A c t u a l l y   P o s i t i v e   a n d   A c t u a l l y   N e g a t i v e \rm{}Actually~ Positive~ and ~Actually~Negative Actually Positive and Actually Negative，指的是模型预测的结果，即模型认为标签是什么。

2 统计指标

混淆矩阵Python代码

from sklearn.metrics import confusion_matrix
confusion_matrix = confusion_matrix(y_test, y_predict)

2.1 混淆矩阵的分类统计指标

  • T r u e   P o s i t i v e s   ( T P s ) : \rm{True~Positives~(TPs):} True Positives (TPs): 模型正确分类正样本的数量。
  • T r u e   N e g a t i v e s   ( T N s ) \rm{True~Negatives ~(TNs)} True Negatives (TNs): 模型正确分类负样本的数量。
  • F a l s e   P o s i t i v e s   ( F P s ) \rm{False~Positives ~(FPs)} False Positives (FPs): 模型将负样本错误的预测为正样本的数量。
  • F a l s e   N e g a t i v e s   ( F N s ) \rm{False~ Negatives~ (FNs)} Fals
最低0.47元/天 解锁文章
分类模型评估：混淆矩阵、准确率、召回率、ROC
Laurence的技术博客
02-13 4383
在二分类问题中，混淆矩阵被用来度量模型的准确率。因为在二分类问题中单一样本的预测结果只有Yes or No，即：真或者假两种结果，所以全体样本的经二分类模型处理后，处理结果不外乎四种情况，每种情况都有一个专门称谓，如果用一个2行2列表格描述，得到的就是“混淆矩阵”。其中，假阳性（FP）又被称为“Type 1 Error”，假阴性（FN）又被称为“Type 2 Error”。在所有“预测为真”（TP+FP）的数据中，有多少是“真得预测对了”（TP）的? 这个百分比叫“准确率”（Precision）在所有“实际
【机器学习—评估指标】混淆矩阵、准确率、精确率、召回率、F1分数、ROC曲线和AUC
weixin_51375278的博客
12-30 6052
机器学习评价指标是衡量模型性能的关键工具。本文介绍了常见指标及其计算方法：1.混淆矩阵展示分类预测结果分布，包含TP、TN、FP、FN四个基础指标；2.准确率反映整体预测正确率；3.精确率关注预测正例的准确性；4.召回率衡量正例检出能力；5.F1分数综合平衡精确率和召回率；6.ROC曲线通过TPR与FPR的权衡关系评估模型性能，AUC值量化区分能力。文章详细说明了各指标的定义、计算公式、适用场景及局限性，并通过Python代码示例演示了具体实现方法，特别对ROC曲线和AUC的计算原理进行了深入解析。
混淆矩阵
weixin_33918357的博客
08-19 1108
混淆矩阵（confusion matrix）衡量的是一个分类器分类的准确程度。理解其概念本身容易理解，但一些特定术语易被混淆。 混淆矩阵适用于包含多个分类器的问题，本文为了让读者理解更加容易，以二元分类的混淆矩阵为例进行讲解。 观察混淆矩阵，可得如下结论： 示例是一个二元分类问题，产生两种可能的分类：“是”或者“不是”。当预测一个事件是否发生时...
【机器学习】【深入浅出】混淆矩阵全解析：搞懂 TP、FP、TN、FN 与分类模型评估
最新发布
weixin_41645791的博客
02-21 8931
本文以通俗易懂、幽默风趣的方式详细解析了混淆矩阵的定义、计算方法和实际作用。从二分类的四个核心指标——真正例（TP）、假阳性（FP）、真负例（TN）、假阴性（FN）出发，本文讲解了如何利用混淆矩阵评估模型性能，并进一步衍生出准确率、精确率、召回率和 F1-score 等关键指标。文章还通过医疗诊断等案例，展示了混淆矩阵如何帮助我们区分漏诊与误诊，并给出记忆技巧，助你快速掌握 TFPN 概念。喜欢本文的朋友请点赞、收藏、转发和关注我的博客，共同探索数据科学的魅力！
机器学习-混淆矩阵
2301_77698138的博客
08-19 4104
随着机器学习和人工智能的迅速发展，分类模型成为了解决各种问题的重要工具。然而，仅仅知道模型预测对了多少样本是不够的。我们需要一种更详细、更系统的方法来理解模型的分类能力，以及它在不同类别上的表现。混淆矩阵是机器学习中一种评估分类模型性能的工具，特别是在监督学习中。它主要用于描述分类模型的预测结果与实际样本类别之间的关系。混淆矩阵通过矩阵的形式，展示了每个类别中预测正确的样本数和预测错误的样本数。
评估分类模型—混淆矩阵Confusion Matrix与评估指标
qq_44733706的博客
05-11 8352
对于设计好的分类模型，需要大量的数据集来对其性能进行评估，因此了解评估指标是十分重要的。
混淆矩阵，准确率，精准率，召回率
热门推荐
abc_xian的博客
06-22 1万+
摘自：https://zhuanlan.zhihu.com/p/46714763 混淆矩阵 P（Positive）：代表1 N（Negative）：代表0 T（True）：代表预测正确 F（False）：代表错误 照上面的字符表示，混淆矩阵就变成了下面这样： TP：预测为1，实际1，预测正确 FP：预测为1，实际0，预测错误 FN：预测为0，实际1，预测错确 TN：预测为0，实际0，预测正确 2. 准确率 准确率的定义是预测正确的结果占总样本的百分比，其公式如下： 准确率=(T
目标检测问题混淆矩阵与准确率、召回率等
leonardohaig的博客
08-25 1571
F1分数认为召回率和正确率同等重要，F2分数认为召回率的重要程度是正确率的2倍，而F0.5分数认为召回率的重要程度是正确率的一半。是精确率和召回率的调和平均数，例如，模型A的recall高，precision低，模型B相反，那怎么综合比较模型A和B的性能呢，用这个可以作为综合评价指标。这些指标有助于评估模型的性能。多分类任务的混淆矩阵与二分类的混淆矩阵类似，但它的维度更大，因为它需要处理多个类别之间的分类情况。精确率主要关注的是预测结果中的正类样本的质量，即在预测为正类的样本中有多少是准确的。
机器学习篇-逻辑回归-分类评估-混淆矩阵-精确率-召回率-F1值
m0_60916732的博客
10-09 1844
设模型中含有待估参数w，可以取很多值。已经知道了样本观测值，从w的一切可能值中（选出一个使该观察值出现的概率为最大的值，作为w参数的估计值，这就是极大似然估计。（顾名思义：就是看上去那个是最大可能的意思）# 导包​# 1. 加载数据# 查看数据基本信息​# 2. 数据处理# 2.1 用np.NaN替换?', np.NaN)# 2.2 删除缺失值, 按行删除data.dropna(inplace=True) # 默认按行删除 => axis=0 or index。
混淆矩阵--在图像精度的应用（mIou指标）
古月哥欠666的博客
11-12 4342
主要运用在图像分割当中的miou指标–（unet网络） 混淆矩阵 在图像精度评价中，主要用于比较分类结果和实际测得值，可以把分类结果的精度显示在一个混淆矩阵里面，如下，对角线为正确分类的点。 这里顺便讲下ROC与PRC、F1 以上两个评估指标也用于验证集的评估，且两者比较相似，可以进行转换 ROC曲线 纵坐标为TPR（召回率），横坐标为FPR AUC面积 为了计算 ROC 曲线上的点，我们可以使用不同的分类阈值多次评估逻辑回归模型，但这样做效率非常低。幸运的是，有一种基于排序的高效算法可以为我们提供此类
机器学习笔记（六）分类评价指标、混淆矩阵、精准率、召回率、P-R曲线、ROC曲线
qq_45723275的博客
03-30 2967
准确率(accuracy)的陷阱、混淆矩阵(Confusion Matrix)、分类评价指标、PR曲线、ROC曲线、TP、FP、TN、FN、TPR、FPR、精准率(precision)、召回率(recall)、AUC、F1 score
混淆矩阵、准确率、精确率、召回率、roc、auc
weixin_43895564的博客
02-16 1693
混淆矩阵，accuary，precision，recall
看懂YOLOv7混淆矩阵的含义，正确计算召回率、精确率、误检率、漏检率
孟孟单单的博客
11-28 1万+
【代码】看懂YOLOv7混淆矩阵的含义，正确计算召回率、精确率、误检率、漏检率。
混淆矩阵（confusion matrix）
zimosangtian的专栏
05-17 5475
一个完美的分类模型是，将实际上是good的实例预测成good，将bad的实例预测称bad。对于实际应用中的分类模型，可能预测错误实例类型，因此我们需要知道到底预测对了多少实例，预测错了多少实例。混淆矩阵就是将这些信息放在一个表中，便于直观的观测和分析。       在分类问题中，预测的情形存在如下四种： 1. good—》good： true positive类型， 设数目为a；
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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