confusionmatrix 召回率 r语言

混淆矩阵是用来衡量分类模型预测结果的准确性的一种工具。在机器学习中，混淆矩阵由四个不同的结果组成：真正例(TP)、真负例(TN)、假正例(FP)和假负例(FN)。其中，真正例表示模型将正例正确地预测为正例的数量，真负例表示模型将负例正确地预测为负例的数量，假正例表示模型将负例错误地预测为正例的数量，假负例表示模型将正例错误地预测为负例的数量。

召回率是一种评估模型在预测正例方面性能的指标。具体而言，召回率指的是模型正确识别出的正例数量（TP）占实际正例数量（TP+FN）的比例。召回率越高，模型识别正例的能力越强。

在R语言中，可以使用混淆矩阵函数来计算混淆矩阵和召回率。例如，可以使用`confusionMatrix`函数来计算混淆矩阵和各种评估指标，包括召回率。具体步骤如下：

# 导入混淆矩阵库
library(caret)

# 定义真实标签和预测标签
actual <- c(1, 1, 0, 1, 0)
predicted <- c(1, 0, 0, 1, 0)

# 构建混淆矩阵
cm <- confusionMatrix(as.factor(predicted), as.factor(actual))

# 输出混淆矩阵
print(cm)

# 输出召回率
recall <- cm$byClass["Recall"]
print(recall)

上述代码中，我们首先导入`caret`库，然后定义了真实标签和预测标签。然后使用`confusionMatrix`函数根据这两个标签计算混淆矩阵。最后，我们通过访问混淆矩阵对象的`byClass`属性获取召回率，并将其打印出来。

总之，混淆矩阵是评估分类模型性能的重要工具，召回率是衡量模型在预测正例方面表现的重要指标，在R语言中可以使用`confusionMatrix`函数计算混淆矩阵和召回率。