R语言 matrix函数

R语言中的matrix函数用于创建矩阵对象。它可以接受一个或多个向量作为输入，并将它们排列成一个二维矩阵。下面是一个示例：

# 创建一个3行2列的矩阵
vec1 <- c(1, 2, 3)
vec2 <- c(4, 5, 6)
mat <- matrix(c(vec1, vec2), nrow = 3, ncol = 2)
print(mat)

输出结果为：

     [,1] [,2]
[1,]    1    4
[2,]    2    5
[3,]    3    6

这个例子中，我们创建了一个3行2列的矩阵，其中第一列由向量vec1的元素组成，第二列由向量vec2的元素组成。

相关问题

r语言confusionmatrix函数

confusionMatrix函数是R语言中用于计算分类模型的混淆矩阵的函数。混淆矩阵是用于评估分类模型性能的一种常用方法，它可以显示模型预测结果与实际结果之间的差异。confusionMatrix函数可以计算出混淆矩阵中的各项指标，如准确率、召回率、F1值等，帮助用户更好地评估模型的性能。

r语言confusionMatrix函数解读

在R语言中，`caret`包提供了`confusionMatrix`函数来计算分类模型的混淆矩阵。混淆矩阵是评估分类模型性能的一种方法，以矩阵的形式呈现实际类别和预测类别之间的关系。

`confusionMatrix`函数需要两个参数，一个是实际类别，另一个是预测类别。这些类别可以是数值型或字符型。函数会输出混淆矩阵，包括真阳性（TP）、假阳性（FP）、真阴性（TN）和假阴性（FN）的数量，以及准确率、召回率和F1得分等性能指标。

例如，假设有一个二分类问题，实际上有10个正类和10个负类，模型预测其中9个正类和11个负类。我们可以使用以下代码计算混淆矩阵：

actual <- c(rep("Positive", 10), rep("Negative", 10))
predicted <- c(rep("Positive", 9), rep("Negative", 11))
confusionMatrix(actual, predicted)

输出结果为：

Confusion Matrix and Statistics

          Reference
Prediction Negative Positive
  Negative        9        1
  Positive        1        9

               Accuracy : 0.9
                 95% CI : (0.6763, 0.9773)
    No Information Rate : 0.5
    P-Value [Acc > NIR] : 0.003906
                  Kappa : 0.8
 Mcnemar's Test P-Value : 1

            Sensitivity : 0.9
            Specificity : 0.9
         Pos Pred Value : 0.9
         Neg Pred Value : 0.9
             Prevalence : 0.5
         Detection Rate : 0.45
   Detection Prevalence : 0.5
      Balanced Accuracy : 0.9

       'Positive' Class : Negative

从输出结果中，我们可以看到混淆矩阵的实际和预测类别。例如，真阳性（TP）为9，假阳性（FP）为1，真阴性（TN）为9，假阴性（FN）为1。此外，还有准确率、召回率、F1得分等性能指标。