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
天天扭码19 分钟前
从图片到语音:我是如何用两大模型API打造沉浸式英语学习工具的
前端·人工智能·github
张彦峰ZYF1 小时前
从检索到生成:RAG 如何重构大模型的知识边界?
人工智能·ai·aigc
刘海东刘海东1 小时前
结构型智能科技的关键可行性——信息型智能向结构型智能的转变(修改提纲)
人工智能·算法·机器学习
**梯度已爆炸**1 小时前
NLP文本预处理
人工智能·深度学习·nlp
uncle_ll1 小时前
李宏毅NLP-8-语音模型
人工智能·自然语言处理·语音识别·语音模型·lm
Liudef061 小时前
FLUX.1-Kontext 高效训练 LoRA:释放大语言模型定制化潜能的完整指南
人工智能·语言模型·自然语言处理·ai作画·aigc
静心问道1 小时前
大型语言模型中的自动化思维链提示
人工智能·语言模型·大模型
众链网络2 小时前
你的Prompt还有很大提升
人工智能·prompt·ai写作·ai工具·ai智能体
汀沿河2 小时前
2 大模型高效参数微调;prompt tunning
人工智能·深度学习·prompt
路溪非溪2 小时前
机器学习之线性回归
人工智能·机器学习·线性回归