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
AI算力4 小时前
让安全驾驶有“AI”相伴|腾视科技DMS视频监控一体机,守护每一次出行
人工智能·科技·ai·车载终端·ai算力·车载智能终端·车载dvr
泯泷4 小时前
超越基准:Claude Opus 4.5 的 4 个惊人洞察
人工智能
果果软件4 小时前
2026 后台管理系统选型:若依、JeecgBoot、芋道、NocoBase 和 GewuMind Boot 怎么选?
java·人工智能·后端·ai·开源
Csvn4 小时前
刚开始用 WorkBuddy,第一步该做什么?
人工智能
一水鉴天5 小时前
同一与唯一:AppBus 外壳与 DevOps 内核 之1 20261121(元宝)
人工智能·机器学习
Wellijohn5 小时前
一个 Android 老兵的十年开源路:从 167 star 的滑动控件,到本地优先的 AI Agent
android·人工智能·开源
ZONGYUAN-ROOT5 小时前
【API配额】API 配额监控告警不生效?用 Python 监控读数变化量,抓住静态阈值漏掉的「假重置」
人工智能
Wellijohn6 小时前
我把公司内部的 12 个 CRUD 接口交给了 AI Agent,然后省出了两周
人工智能·python·mcp
伞伞悦读7 小时前
【第92期】逻辑回归的分数概率与阈值的实验与排查
人工智能·python·深度学习·机器学习