机器学习中的混淆矩阵

混淆矩阵 是用于评估分类模型性能的表格,它展示了模型在不同类别上的预测情况。对于二分类问题,混淆矩阵的构成如下:

假设有两个类别:正例(Positive)和负例(Negative)。

  • 真正例(True Positive, TP): 模型++正确地预测++为正例的样本数量。
  • 真负例(True Negative, TN): 模型++正确地预测++为负例的样本数量。
  • 假正例(False Positive, FP,也称为误报): 模型++错误地++将负例预测为正例的样本数量。
  • 假负例(False Negative, FN,也称为漏报): 模型++错误地++将正例预测为负例的样本数量。

混淆矩阵的形式如下:

|-------|-------|-------|
| | 预测为正例 | 预测为负例 |
| 实际为正例 | TP | FN |
| 实际为负例 | FP | TN |

通过混淆矩阵,可以计算出多个性能指标,包括:

  1. 准确率(Accuracy): 分类正确的样本数占总样本数的比例,计算公式为 (TP + TN) / (TP + TN + FP + FN)。

  2. 精确率(Precision): 正例预测正确的比例,计算公式为 TP / (TP + FP)。

  3. 召回率(Recall): 实际为正例的样本中被正确预测为正例的比例,计算公式为**TP / (TP + FN)**。

  4. F1 分数(F1 Score): 精确率和召回率的调和平均数 ,计算公式为**2 * (Precision * Recall) / (Precision + Recall)**。

这些指标提供了关于分类模型性能的综合信息,可以帮助评估模型在不同方面的表现。

相关推荐
Seiran6 小时前
用Grok 4.7在ZEEKEAI啃长文档的提效实战
人工智能
Bacon7 小时前
给项目做一次"全身 CT":Agent Skills 生态里的代码体检全链路
前端·人工智能·后端
培培说证7 小时前
大专商务数据分析与应用可以报考哪些职业证书?
人工智能·数据挖掘·数据分析
pursuit_c7 小时前
关于 Personal Agent 的思考碎片
人工智能
龙腾AI白云7 小时前
具身智能的空间导航与未知环境探索
大数据·数据库·人工智能·机器学习·知识图谱
snakeshe10107 小时前
大模型 Function Call 实战入门:原理、环境搭建与多轮调用完整教程
人工智能
用户360055579007 小时前
Kestrel_VLLM - 43 · 默认化前的一次解耦:一个遮蔽 bug 与一次口径污染
人工智能
狒狒AI7 小时前
DeepSeek Harness 插件生态拆解:31,259 个仓库与 93% 装不上的口径差
人工智能
AI前端工程狮7 小时前
我把 MCP 长任务拆成三个工具,token 账单涨了 7 倍
javascript·人工智能·程序员
阿里云大数据AI技术7 小时前
如何用 STAROps Elasticsearch 智能助手看穿“搜索变慢”
人工智能·agent