混淆矩阵-

评论
40 views

  1. 定义
  2. 混淆矩阵（Confusion Matrix）是在机器学习和统计学的分类问题中，用于评估分类模型性能的一种工具。它是一个表格，展示了分类模型预测结果和实际真实标签之间的比较情况。

  3. 对于一个二分类问题，混淆矩阵是一个(2\times2)的矩阵，包含真正例（True Positive，TP）、假正例（False Positive，FP）、真反例（True Negative，TN）和假反例（False Negative，FN）这四个元素。例如，在判断一封邮件是否为垃圾邮件的任务中，如果模型正确地将垃圾邮件预测为垃圾邮件，这就是一个真正例；如果将正常邮件错误地预测为垃圾邮件，就是假正例。

  4. 结构与元素含义

  5. 以二分类为例，混淆矩阵的结构如下： | 预测为正类 | 预测为负类 | | ---- | ---- | | 真正例（TP） | 假反例（FN） | | 假正例（FP） | 真反例（TN） |
  6. 真正例（TP）：实际为正类，且模型也预测为正类的样本数量。例如，在医学诊断中，实际患有某种疾病（正类）的患者被模型正确诊断为患有该疾病的人数。
  7. 假正例（FP）：实际为负类，但模型预测为正类的样本数量。比如，在疾病诊断中，实际没有患病（负类）的人被模型误诊为患病的人数。
  8. 真反例（TN）：实际为负类，模型也预测为负类的样本数量。例如，没有患病的人被模型正确诊断为没有患病的人数。

  9. 假反例（FN）：实际为正类，但模型预测为负类的样本数量。就像在疾病诊断中，实际患有疾病的人被模型误诊为没有患病的人数。

  10. 基于混淆矩阵的评估指标

  11. 准确率（Accuracy）：定义为(\frac{TP + TN}{TP + TN + FP + FN})，它表示模型预测正确的样本比例。例如，在一个有(100)个样本的分类任务中，(TP = 40)，(TN = 30)，(FP = 10)，(FN = 20)，则准确率为(\frac{40 + 30}{40 + 30 + 10 + 20}=0.7)，即模型的准确率为(70\%)。
  12. 精确率（Precision）：计算公式为(\frac{TP}{TP + FP})，它反映了模型预测为正类的样本中有多少是真正的正类。例如，若(TP = 40)，(FP = 10)，则精确率为(\frac{40}{40 + 10}=0.8)，即模型预测为正类的样本中有(80\%)是真正的正类。
  13. 召回率（Recall）或敏感度（Sensitivity）：等于(\frac{TP}{TP + FN})，它表示实际为正类的样本中有多少被模型正确地预测为正类。比如，当(TP = 40)，(FN = 20)时，召回率为(\frac{40}{40 + 20}=\frac{2}{3})，意味着实际正类样本中有(\frac{2}{3})被模型正确预测。

  14. F1 - score：是精确率和召回率的调和平均数，计算公式为(F1 = 2\times\frac{Precision\times Recall}{Precision + Recall})。它综合考虑了精确率和召回率，当精确率和召回率都较高时，(F1 - score)也较高，能更全面地评估模型性能。

  15. 多分类问题中的混淆矩阵

  16. 对于多分类问题（例如，将图像分为猫、狗、兔子等多个类别），混淆矩阵是一个(n\times n)的矩阵，其中(n)是类别数。行表示实际的类别，列表示预测的类别。
  17. 例如，在一个三分类问题中，混淆矩阵可能如下： | 预测为A类 | 预测为B类 | 预测为C类 | | ---- | ---- | ---- | | (TP_{A})（A类真正例） | (FP_{A - B})（A类被误判为B类） | (FP_{A - C})（A类被误判为C类） | | (FP_{B - A})（B类被误判为A类） | (TP_{B})（B类真正例） | (FP_{B - C})（B类被误判为C类） | | (FP_{C - A})（C类被误判为A类） | (FP_{C - B})（C类被误判为B类） | (TP_{C})（C类真正例） |
  18. 在多分类情况下，也可以通过计算每个类别的精确率、召回率等指标来评估模型性能，方法与二分类类似，只是需要分别对每个类别进行计算。