神经网络小记-混淆矩阵

混淆矩阵(Confusion Matrix)是在机器学习和统计学中用于评估分类模型性能的一种常用工具。它以表格的形式显示了模型的预测结果与实际真值之间的关系,特别适用于二元分类问题。混淆矩阵通常包含以下四个重要的指标:

假设我们有一个二元分类问题,其中:

  • 正类别(Positive Class):表示我们关注的目标类别,通常用"1"表示。
  • 负类别(Negative Class):表示不是目标类别的类别,通常用"0"表示。

混淆矩阵的四个指标如下:

  1. 真正例(True Positives,TP):模型正确地将正类别样本分类为正类别的数量。

  2. 真负例(True Negatives,TN):模型正确地将负类别样本分类为负类别的数量。

  3. 假正例(False Positives,FP):模型错误地将负类别样本分类为正类别的数量(误报)。

  4. 假负例(False Negatives,FN):模型错误地将正类别样本分类为负类别的数量(漏报)。

混淆矩阵通常以如下形式呈现:

复制代码
                  预测正例     预测负例
实际正例(真正例)    TP          FN
实际负例(真负例)    FP          TN

基于混淆矩阵,可以计算出多个分类性能指标,如准确率、召回率、精确度、F1分数等,这些指标有助于评估模型的性能和效果。

  • 准确率(Accuracy) :分类正确的样本数占总样本数的比例,即 (TP + TN) / (TP + TN + FP + FN)

  • 召回率(Recall) :正类别样本被正确分类为正类别的比例,即 TP / (TP + FN)

  • 精确度(Precision) :被分类为正类别的样本中,真正为正类别的比例,即 TP / (TP + FP)

  • F1分数(F1 Score) :综合考虑了准确率和召回率,是一个平衡的度量指标,即 2 * (Precision * Recall) / (Precision + Recall)

混淆矩阵是评估二元分类模型性能的重要工具,它能够清晰地展示模型的分类情况,帮助分析模型的优点和不足,进而改进模型的性能。

相关推荐
超龄超能程序猿37 分钟前
(5)机器学习小白入门 YOLOv:数据需求与图像不足应对策略
人工智能·python·机器学习·numpy·pandas·scipy
帅次1 小时前
系统分析师-计算机系统-输入输出系统
人工智能·分布式·深度学习·神经网络·架构·系统架构·硬件架构
cwn_2 小时前
回归(多项式回归)
人工智能·机器学习·数据挖掘·回归
优乐美香芋味好喝3 小时前
2025年7月11日学习笔记&一周归纳——模式识别与机器学习
笔记·学习·机器学习
众链网络3 小时前
AI进化论08:机器学习的崛起——数据和算法的“二人转”,AI“闷声发大财”
人工智能·算法·机器学习
生命是有光的3 小时前
【机器学习】机器学习基础
人工智能·机器学习
平和男人杨争争3 小时前
机器学习13——支持向量机下
人工智能·机器学习·支持向量机
胖达不服输3 小时前
「日拱一码」025 机器学习——评价指标
人工智能·python·机器学习·评价指标
默辨3 小时前
机器学习(ML)、深度学习(DL)、强化学习(RL)关系和区别
人工智能·深度学习·机器学习
zhb20003 小时前
预测概率的先验校准
机器学习