混淆矩阵为[1075 0 0 0][167 925 0 2][0 0 236 247][0 0 2 485],求精确率、召回率、F1值和准确率
时间: 2024-05-31 07:11:29 浏览: 19
混淆矩阵对应的分类器有四个类别,我们可以将其表示为以下形式:
| | 预测为类别0 | 预测为类别1 | 预测为类别2 | 预测为类别3 |
| --- | --- | --- | --- | --- |
| 类别0 | 1075 | 0 | 0 | 0 |
| 类别1 | 167 | 925 | 0 | 2 |
| 类别2 | 0 | 0 | 236 | 247 |
| 类别3 | 0 | 0 | 2 | 485 |
其中,行表示真实标签,列表示预测标签。
根据该混淆矩阵,我们可以计算出以下指标:
- 精确率(Precision):表示预测为某个类别的样本中,真正属于该类别的样本所占的比例。
$$
Precision = \frac{TP}{TP + FP}
$$
其中,$TP$ 表示真正例数量,即真实标签为某个类别,且预测标签也为该类别的样本数量;$FP$ 表示假正例数量,即真实标签不是某个类别,但预测标签为该类别的样本数量。
对于每个类别,其精确率为:
- 类别0:$Precision_0 = \frac{1075}{1075} = 1$
- 类别1:$Precision_1 = \frac{925}{925 + 167} \approx 0.847$
- 类别2:$Precision_2 = \frac{236}{236 + 2} \approx 0.992$
- 类别3:$Precision_3 = \frac{485}{485 + 2} \approx 0.995$
- 召回率(Recall):表示属于某个类别的样本中,被预测为该类别的样本所占的比例。
$$
Recall = \frac{TP}{TP + FN}
$$
其中,$FN$ 表示假反例数量,即真实标签为某个类别,但预测标签不是该类别的样本数量。
对于每个类别,其召回率为:
- 类别0:$Recall_0 = \frac{1075}{1075} = 1$
- 类别1:$Recall_1 = \frac{925}{925 + 2} \approx 0.998$
- 类别2:$Recall_2 = \frac{236}{236 + 247} \approx 0.488$
- 类别3:$Recall_3 = \frac{485}{485 + 2} \approx 0.995$
- F1值:综合考虑精确率和召回率,用于评估分类器性能的指标。
$$
F1 = \frac{2 \times Precision \times Recall}{Precision + Recall}
$$
对于每个类别,其 F1 值为:
- 类别0:$F1_0 = \frac{2 \times 1 \times 1}{1 + 1} = 1$
- 类别1:$F1_1 = \frac{2 \times 0.847 \times 0.998}{0.847 + 0.998} \approx 0.917$
- 类别2:$F1_2 = \frac{2 \times 0.992 \times 0.488}{0.992 + 0.488} \approx 0.654$
- 类别3:$F1_3 = \frac{2 \times 0.995 \times 0.995}{0.995 + 0.995} \approx 0.995$
- 准确率(Accuracy):表示所有样本中,被正确分类的样本所占的比例。
$$
Accuracy = \frac{TP_0 + TP_1 + TP_2 + TP_3}{TP_0 + TP_1 + TP_2 + TP_3 + FP_0 + FP_1 + FP_2 + FP_3}
$$
其中,$TP_i$ 表示真正例数量,$FP_i$ 表示假正例数量。
根据混淆矩阵,我们可以得到:
- $TP_0 = 1075, TP_1 = 925, TP_2 = 236, TP_3 = 485$
- $FP_0 = 0, FP_1 = 167, FP_2 = 2, FP_3 = 2$
因此,准确率为:
$$
Accuracy = \frac{1075 + 925 + 236 + 485}{1075 + 925 + 236 + 485 + 0 + 167 + 2 + 2} \approx 0.912
$$
综上所述,该分类器的精确率、召回率、F1值和准确率分别为:
| 指标 | 类别0 | 类别1 | 类别2 | 类别3 | 平均值 |
| --- | --- | --- | --- | --- | --- |
| 精确率 | 1 | 0.847 | 0.992 | 0.995 | 0.958 |
| 召回率 | 1 | 0.998 | 0.488 | 0.995 | 0.870 |
| F1值 | 1 | 0.917 | 0.654 | 0.995 | 0.891 |
| 准确率 | - | - | - | - | 0.912 |
相关推荐
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![rar](https://img-home.csdnimg.cn/images/20210720083606.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)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)