决策树的confusion matrix
时间: 2023-10-01 10:05:17 浏览: 118
决策树的混淆矩阵(confusion matrix)是一种用于评估分类模型性能的工具,它是一个二维矩阵,其中行表示实际的类别,列表示预测的类别。在决策树中,混淆矩阵可以用来衡量模型的准确性、精确性、召回率和 F1 分数等指标。
以下是一个二元分类(二分类)问题的混淆矩阵示例:
| | P 正类 | N 负类 |
|----------|--------|--------|
| P 预测为 | TP | FP |
| N 预测为 | FN | TN |
其中:
- TP(True Positive):实际为正类,预测也为正类的样本数。
- TN(True Negative):实际为负类,预测也为负类的样本数。
- FP(False Positive):实际为负类,预测为正类的样本数(也称为误报)。
- FN(False Negative):实际为正类,预测为负类的样本数(也称为漏报)。
通过混淆矩阵,我们可以计算出以下指标:
- 准确性(Accuracy):模型正确预测的样本数占总样本数的比例,即 (TP+TN)/(TP+TN+FP+FN)。
- 精确性(Precision):预测为正类的样本中,实际为正类的比例,即 TP/(TP+FP)。
- 召回率(Recall):实际为正类的样本中,预测为正类的比例,即 TP/(TP+FN)。
- F1 分数(F1 Score):精确性和召回率的调和平均数,即 2\*Precision\*Recall/(Precision+Recall)。
这些指标可以帮助我们评估决策树模型的性能,并根据需要进行调整和优化。