混淆矩阵

混淆矩阵如下图：这里以是否有心脏病举例(二分类举例)，列代表机器学习算法所做的预测，有心脏病还是没有心脏病，行代表实际的情况。

真阳性，真阴性，假阳性，假阴性

真阳性(TP)：病人有心脏病，且被算法正确的预测出有。

真阴性(TN)：病人无心脏病，且被算法正确的预测出无。

假阴性(FN)：病人有心脏病，但被算法预测成无，将原本的阳性预测成阴性，预测错误，所以是假阴性。

假阳性(FP)：病人无心脏病，但被算法预测成有，将原本的阴性预测成阳性，所以是假阳性。

敏感性，特异性

Sensitivity敏感性（真阳性率，True Positive Rate = TPR）是指以所有的真实的阳性为条件，预测结果也为阳性的概率。
公式如下

在这个例子中，是指被正确识别带有心脏病人的百分比。

Specificity特异性（真阴性率，True negative Rate = TNR）是指以所有真实的阴性为条件，预测结果也为阴性的概率。

在这个例子中，是指正确识别不带有心脏病人的百分比。

如果识别阳性重要，则要选择高敏感性的方法，及Sensitivity高，预测准确阳性的概率更高。

如果识别阴性重要，则要选择高特异性的方法，及Specificity高，预测准确阴性的概率更高。

机器学习基础（一）混淆矩阵，真阳性(TP)，真阴性(TN)，假阳性(FP)，假阴性(FN)以及敏感性(Sensitivity)和特异性(Specificity)相关推荐

阳性，阴性，假阳性，假阴性，敏感度，特异性
一般从医学角度说,阳性(positive),代表有病或者有病毒,阴性(negative),代表正常. 假阳性(false positive)是指因为种种原因把不具备阳性症状的人检测出阳性的结果.其实就 ...
混淆矩阵评价指标_机器学习模型评价指标 -- 混淆矩阵
机器学习模型评价指标 – 混淆矩阵在机器学习领域中,混淆矩阵(confusion matrix)是一种评价分类模型好坏的形象化展示工具.其中,矩阵的每一列表示的是模型预测的样本情况:矩阵的每一行表示 ...
机器学习模型评价指标 -- 混淆矩阵
机器学习模型评价指标 – 混淆矩阵在机器学习领域中,混淆矩阵(confusion matrix)是一种评价分类模型好坏的形象化展示工具.其中,矩阵的每一列表示的是模型预测的样本情况:矩阵的每一行表示 ...
机器学习中的混淆矩阵
在我们的机器学习教程(前面的章节Python和NumPy的神经网络和神经网络从头开始),我们实现的各种算法,但是我们没有正确地测量输出的质量.主要原因是我们使用非常简单的小数据集来学习和测试.在Neu ...
R语言构建混淆矩阵(仿真数据)并基于混淆矩阵（confusion matrix）计算并计算Accuracy、Precision、Recall（sensitivity）、F1、Specificity指标
R语言构建混淆矩阵(仿真数据)并基于混淆矩阵(confusion matrix)计算并计算Accuracy.Precision.Recall(sensitivity).F1.Specificity指标 ...
机器学习模型评估——混淆矩阵
混淆矩阵什么是混淆矩阵(Confusion Matrix)?我们在做分类问题时会用到机器学习分类模型,不管是二分类还是多分类问题,我们都要对模型的性能进行评估,看看模型的分类效果是否好,有多好!我们 ...
机器学习中 True Positives（真正例TP）、False Positives（假正例FP）、True Negatives（真负例TN）和 False Negatives（假负例FN）指什么
文章目录 (原)(有误) 20200206 (有误) 20200206 (正解) (原)(有误) True.False正确检测还是错误检测(如果画出框的,还需考虑个阈值,IOU高于阈值并且分类正确的( ...
统计学中的真阳性(TP),假阴性(FN),假阳性(FP),真阴性(TN)怎么理解？
举个例子,假如要在一个地区进行1000人的疾病检测,我们站在上帝视角,知道这1000人中,有10人是疾病感染者,占比1%. 但实际的检测结果可能存在误差,误差包括两种情况疾病感染者,被错误诊断为健康 ...
【机器学习基础】Hessian矩阵
本系列为<模式识别与机器学习>的读书笔记. 一,Hessian 矩阵反向传播也可以⽤来计算误差函数的⼆阶导数,形式为 ∂2E∂wji∂wkl\frac{\partial^{2}{E}}{ ...

机器学习基础（一）混淆矩阵，真阳性(TP)，真阴性(TN)，假阳性(FP)，假阴性(FN)以及敏感性(Sensitivity)和特异性(Specificity)

机器学习基础（一）

混淆矩阵

真阳性，真阴性，假阳性，假阴性

敏感性，特异性

机器学习基础（一）混淆矩阵，真阳性(TP)，真阴性(TN)，假阳性(FP)，假阴性(FN)以及敏感性(Sensitivity)和特异性(Specificity)相关推荐

最新文章

热门文章