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
逛逛GitHub11 小时前
飞书多维表“独立”了!功能强大的超出想象。
人工智能·github·产品
机器之心12 小时前
刚刚,DeepSeek-R1论文登上Nature封面,通讯作者梁文锋
人工智能·openai
aneasystone本尊14 小时前
学习 Chat2Graph 的知识库服务
人工智能
IT_陈寒14 小时前
Redis 性能翻倍的 7 个冷门技巧,第 5 个大多数人都不知道!
前端·人工智能·后端
飞哥数智坊1 天前
GPT-5-Codex 发布,Codex 正在取代 Claude
人工智能·ai编程
倔强青铜三1 天前
苦练Python第46天:文件写入与上下文管理器
人工智能·python·面试
虫无涯1 天前
Dify Agent + AntV 实战:从 0 到 1 打造数据可视化解决方案
人工智能
Dm_dotnet1 天前
公益站Agent Router注册送200刀额度竟然是真的
人工智能
算家计算1 天前
7B参数拿下30个世界第一!Hunyuan-MT-7B本地部署教程:腾讯混元开源业界首个翻译集成模型
人工智能·开源
机器之心1 天前
LLM开源2.0大洗牌:60个出局,39个上桌,AI Coding疯魔,TensorFlow已死
人工智能·openai