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：
-
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)。 -
精确率（Precision）： 正例预测正确的比例，计算公式为
TP / (TP + FP)。 -
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)。 -
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。