1. 混淆矩阵的举例例如用一个分类模型来判别一个水果是苹果还是梨,混淆矩阵将会模型的预测结果总结成如下表所示的表格。
通过上述表格可以看出,样本的数量一共是个样本。其中苹果有个,梨有个。该模型预测的苹果的数量是个,有个是预测正确的,个是预测错误的。该模型预测的梨的数量是个,其中有个是预测正确的,个是预测错误的。 2. 混淆矩阵对于一个二分类的模型,其模型的混淆矩阵是一个的矩阵。如下图所示:
混淆矩阵比模型的精度的评价指标更能够详细地反映出模型的”好坏”。模型的精度指标,在正负样本数量不均衡的情况下,会出现容易误导的结果。 其中,列是模型预测的结果,行是样本真实的结果。四个矩阵元素的含义分别是: 2.1 True Positive真正类(TP),样本的真实类别是正类,并且模型预测的结果也是正类。 2.2 False Negative假负类(FN),样本的真实类别是正类,但是模型将其预测成为负类。 2.3 False Positive假正类(FP),样本的真实类别是负类,但是模型将其预测成为正类。 2.4 True Negative真负类(TN),样本的真实类别是负类,并且模型将其预测成为负类。 3. 混淆矩阵延伸出的各个评价指标从混淆矩阵中,可以衍生出各种评价的指标。如下是截取的wiki上的一个截图(https://en./wiki/Confusion_matrix) 3.1 Accuracy模型的精度,即模型预测正确的个数 / 样本的总个数 3.2 Positive predictive value (PPV, Precision)查准率,阳性预测值,在模型预测为正类的样本中,真正为正类的样本所占的比例。 3.3 False discovery rate (FDR)错误发现率,表示在模型预测为正类的样本中,真正的负类的样本所占的比例。 3.4 False omission rate (FOR)错误遗漏率,表示在模型预测为负类的样本中,真正的正类所占的比例。即评价模型”遗漏”掉的正类的多少。 3.5 Negative predictive value (NPV)阴性预测值,在模型预测为负类的样本中,真正为负类的样本所占的比例。 3.6 True positive rate (TPR, Recall)召回率,真正类率,表示的是,模型预测为正类的样本的数量,占总的正类样本数量的比值。 3.7 False positive rate (FPR), Fall-out假正率,表示的是,模型预测为正类的样本中,占模型负类样本数量的比值。 3.8 False negative rate (FNR), Miss rate假负类率,缺失率,模型预测为负类的样本中,是正类的数量,占真实正类样本的比值。 缺失值越小,说明模型的效果越好。 3.9 True negative rate (TNR)一般情况下,真负类率越高,说明的模型的效果越好 |
|
来自: dinghxoebpinvw > 《待分类》