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
forest_094 小时前
《AI 编程 Harness 实战手册》04|审批这道门:点了一百次“允许”,还剩多少作用?
人工智能·算法·prompt·agi
火山引擎开发者社区4 小时前
当 RPA 遇上 Agent:MUA 混合执行 Workflow 深度拆解
人工智能
严肃小白兔5 小时前
第 10/24 期:深度神经网络的自动求导机制与梯度验证
人工智能·神经网络·dnn
火山引擎开发者社区5 小时前
定档12.16-12.18!FORCE原动力大会上海见!
人工智能
努力的MM1235 小时前
CAIE 二级和阿里云大模型 ACP 怎么选?企业 AI 工程与云平台开发能力对比
人工智能
老金带你玩AI5 小时前
Kling Image 4.0来了!8K和组图直出,电商人的提效神器?
人工智能
孟健6 小时前
用 unslop 拯救 AI 生成网页的塑料感,7 分钟重构落地实测
前端·人工智能·ai编程
stormzhangV6 小时前
Google 重返第一梯队
人工智能·google·aigc
十有八七7 小时前
手搓 Agent(五):学会翻书——RAG,先查资料再回答
前端·人工智能·后端