分类神经网络性能指标 混淆矩阵

### 关于分类神经网络的性能指标

对于分类神经网络而言，多个性能指标可以用来衡量其效果。常见的性能度量标准包括准确率(Accuracy)，精确率(Precision)，召回率(Recall)，F1分数(F1 Score)等。

- **准确率**是指预测正确的样本占总样本的比例。

- **精确率**定义为正类被正确识别的概率，在二元分类中指的是实际为正类且被正确预测的数量除以所有被预测成正类数量的结果[^1]。

- **召回率**表示所有真实为正类别的实例中有多少比例被成功检索出来；即真正例数除以测试集中全部正样例数目得出。

- **F1分数**是精确率和召回率之间的调和平均值，提供了一个综合考量这两者的单一数值评价方法。

当采用`cross_val_score`函数来计算这些评分时，可以通过指定参数`scoring='f1_weighted'`实现加权F1得分的获取，这有助于处理类别不平衡的数据集情况下的模型表现评估。

from sklearn.metrics import classification_report, confusion_matrix
import seaborn as sns
import matplotlib.pyplot as plt

# 假设已经训练好了ANN模型并进行了预测
y_pred = ann.predict(X_test)

# 打印详细的分类报告
print(classification_report(Y_test, y_pred))

# 绘制混淆矩阵图
cm = confusion_matrix(Y_test, y_pred)
plt.figure(figsize=(8,6))
sns.heatmap(cm, annot=True, fmt="d", cmap="Blues")
plt.title('Confusion Matrix')
plt.ylabel('True label')
plt.xlabel('Predicted label')
plt.show()

上述代码片段展示了如何利用Python中的库绘制混淆矩阵图表，并通过`classification_report`获得更全面的理解模型在不同类别上的具体表现详情。