混淆矩阵Confusion Matrix概念分析翻译
作者:vesper305 时间:2022-07-05 15:08:56
Confusion Matrix
在机器学习领域,混淆矩阵(confusion matrix),又称为可能性表格或是错误矩阵。它是一种特定的矩阵用来呈现算法性能的可视化效果,通常是监督学习(非监督学习,通常用匹配矩阵:matching matrix)。
其每一列代表预测值,每一行代表的是实际的类别。这个名字来源于它可以非常容易的表明多个类别是否有混淆(也就是一个class被预测成另一个class)。
Example
假设有一个用来对猫(cats)、狗(dogs)、兔子(rabbits)进行分类的系统,混淆矩阵就是为了进一步分析性能而对该算法测试结果做出的总结。假设总共有 27 只动物:8只猫, 6条狗, 13只兔子。结果的混淆矩阵如下图:
在这个混淆矩阵中,实际有 8只猫,但是系统将其中3只预测成了狗;对于 6条狗,其中有 1条被预测成了兔子,2条被预测成了猫。从混淆矩阵中我们可以看出系统对于区分猫和狗存在一些问题,但是区分兔子和其他动物的效果还是不错的。所有正确的预测结果都在对角线上,所以从混淆矩阵中可以很方便直观的看出哪里有错误,因为他们呈现在对角线外面。
Table of confusion
在预测分析中,混淆表格(有时候也称为混淆矩阵),是由false positives,falsenegatives,true positives和true negatives组成的两行两列的表格。它允许我们做出更多的分析,而不仅仅是局限在正确率。准确率对于分类器的性能分析来说,并不是一个很好地衡量指标,因为如果数据集不平衡(每一类的数据样本数量相差太大),很可能会出现误导性的结果。例如,如果在一个数据集中有95只猫,但是只有5条狗,那么某些分类器很可能偏向于将所有的样本预测成猫。整体准确率为95%,但是实际上该分类器对猫的识别率是100%,而对狗的识别率是0%。
对于上面的混淆矩阵,其对应的对猫这个类别的混淆表格如下:
假定一个实验有 P个positive实例,在某些条件下有 N 个negative实例。那么上面这四个输出可以用下面的偶然性表格(或混淆矩阵)来表示:
公式陈列、定义如下:
True positive(TP) | eqv. with hit |
True negative(TN) | eqv. with correct rejection |
False positive(FP) | eqv. with false alarm, Type I error |
False negative(FN) | eqv. with miss, Type II error |
Sensitivity ortrue positive rate(TPR) eqv. with hit rate, recall | TPR = TP/P = TP/(TP + FN) |
Specificity(SPC)ortrue negative rate(TNR) | SPC = TN/N = TN/(FP + TN) |
Precision orpositive prediction value(PPV) | PPV = TP/(TP + FP) |
Negative predictive value(NPV) | NPV = TN/(TN + FN) |
Fall-out orfalse positive rate(FPR) | FPR = FP/N = FP/(FP + TN) |
False discovery rate(FDR) | FDR = FP/(FP + TP) = 1 - PPV |
Miss Rate orFalse Negative Rate(FNR) | FNR = FN/P = FN/(FN + TP) |
Accuracy(ACC) | ACC = (TP + TN)/(P + N) |
Preference
来源:https://blog.csdn.net/vesper305/article/details/44927047
![](/images/zang.png)
![](/images/jiucuo.png)
猜你喜欢
python使用openpyxl库读写Excel表格的方法(增删改查操作)
![](https://img.aspxhome.com/file/2023/3/135113_0s.png)
如何实现SQL Server 2005快速Web分页
vscode配置与python虚拟环境切换的几种方式总结
![](https://img.aspxhome.com/file/2023/0/76990_0s.jpg)
JavaScript解决Joseph问题
3个用于数据科学的顶级Python库
![](https://img.aspxhome.com/file/2023/9/97519_0s.png)
pycharm中import导入包呈现灰色的问题及解决
![](https://img.aspxhome.com/file/2023/4/68304_0s.png)
sqlserver 查询数据库大小的方法
网页设计中的对比原则与接近性原则
![](https://img.aspxhome.com/file/UploadPic/20103/30/1121120-49s.jpg)
利用Python yagmail三行代码实现发送邮件
![](https://img.aspxhome.com/file/2023/7/99677_0s.png)
Python真题案例之错位键盘 单词长度 字母重排详解
![](https://img.aspxhome.com/file/2023/6/131076_0s.png)
python timestamp和datetime之间转换详解
在Pytorch中计算卷积方法的区别详解(conv2d的区别)
网页新窗口打开好不好,数据说话
![](https://img.aspxhome.com/file/UploadPic/up/2008053117181324.gif)
10分钟教你用python动画演示深度优先算法搜寻逃出迷宫的路径
![](https://img.aspxhome.com/file/2023/2/110022_0s.gif)
Python爬取百度翻译实现中英互译功能
![](https://img.aspxhome.com/file/2023/3/90763_0s.jpg)
Python实现简单拆分PDF文件的方法
使用Python绘制图表大全总结
![](https://img.aspxhome.com/file/2023/7/99517_0s.png)
Python+Django+MySQL实现基于Web版的增删改查的示例代码
![](https://img.aspxhome.com/file/2023/2/64252_0s.png)
Python快速优雅的批量修改Word文档样式
![](https://img.aspxhome.com/file/2023/5/128535_0s.png)
使用Python编写简单的端口扫描器的实例分享
![](https://img.aspxhome.com/file/2023/8/124218_0s.png)