coonfusion_matrix图怎么看
时间: 2024-01-27 09:02:55 浏览: 24
混淆矩阵通常以表格的形式呈现,其中行表示实际标签,列表示模型预测的标签。下面是一个二分类的混淆矩阵示例:
| | 预测为正例 | 预测为反例 |
|--------------|------------|------------|
| 实际为正例 | TP | FN |
| 实际为反例 | FP | TN |
混淆矩阵中的每个元素表示分类器将样本分到某个类别的数量,例如 TP 表示分类器将正样本正确地分类为正例的数量。对于二分类问题,我们通常关注的指标是准确率、精确率、召回率和 F1 值,这些指标可以通过混淆矩阵计算得出。
准确率(Accuracy)表示分类器正确分类的样本数占总样本数的比例,可以通过以下公式计算:
$Accuracy = \frac{TP + TN}{TP + TN + FP + FN}$
精确率(Precision)表示分类器预测为正例的样本中,真正为正例的比例,可以通过以下公式计算:
$Precision = \frac{TP}{TP + FP}$
召回率(Recall)表示分类器正确预测为正例的样本数占实际正例的比例,可以通过以下公式计算:
$Recall = \frac{TP}{TP + FN}$
F1 值是精确率和召回率的调和平均数,可以综合考虑分类器的准确性和召回率,可以通过以下公式计算:
$F1 = 2 \times \frac{Precision \times Recall}{Precision + Recall}$
混淆矩阵可以用来观察模型在不同类别上的分类表现,对于多分类问题,混淆矩阵的形式也会有所不同,但基本思想是一样的。
相关推荐
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)