一文读懂分类模型评估指标

模型评估是深度学习和机器学习中非常重要的一部分，用于衡量模型的性能和效果。本文将逐步分解混淆矩阵，准确性，精度，召回率和F1分数。

混淆矩阵

混淆矩阵是在分类问题中用于评估模型性能的表格，它展示了模型对样本的分类情况。混淆矩阵的行表示实际类别，列表示预测类别。对于二分类问题，混淆矩阵的结构如下：

True Positive (TP): 实际为正例，模型预测为正例的样本数，模型正确识别正面实例的能力。更高的TP通常是可取的
False Negative (FN): 实际为正例，模型预测为负例的样本数，根据应用程序的不同，这可能是关键的(例如，未能检测到安全威胁)。
False Positive (FP): 实际为负例，模型预测为正例的样本数，强调模型在不应该预测为正的情况下预测为正的情况，这可能会产生取决于应用的后果(例如，医疗诊断中不必要的治疗)
True Negative (TN): 实际为负例，模型预测为负例的样本数，反映模型正确识别否定实例的能力。通常需要更高的TN

初学者看起来很乱，其实这样理解就非常简单了，后面的Negative/Positive 为模型预测值，前面的True/False 为模型预测是否正确，比如True Negative，代表，模型预测是Negative并且与实际的值对比是True 也就是预测正确的，这样就好理解了。以下是一个简单的混淆矩阵：

复制代码

 from sklearn.metrics import confusion_matrix
 import seaborn as sns
 import matplotlib.pyplot as plt
 # Example predictions and true labels
 y_true = [1, 0, 1, 1, 0, 1, 0, 0, 1, 0]
 y_pred = [1, 0, 1, 0, 0, 1, 0, 1, 1, 1]
 # Create a confusion matrix
 cm = confusion_matrix(y_true, y_pred)
 # Visualize the blueprint
 sns.heatmap(cm, annot=True, fmt="d", cmap="Blues", xticklabels=["Predicted 0", "Predicted 1"], yticklabels=["Actual 0", "Actual 1"])
 plt.xlabel("Predicted")
 plt.ylabel("Actual")
 plt.show()

当你想强调正确的预测和整体准确性时，使用TP和TN。当你想了解你的模型所犯的错误类型时，使用FP和FN。例如，在误报成本很高的应用程序中，最小化误报可能是至关重要的。

比如一个垃圾邮件分类器。混淆矩阵可以理解正确识别了多少垃圾邮件，错误标记了多少非垃圾邮件。

基于混淆矩阵，可以计算许多其他评估指标，例如准确度、精确度、召回率和F1分数。