【机器学习】混淆矩阵详细介绍（代码+含义+解释）

文章目录一瞥

图形介绍
重要概念
混淆矩阵延伸出的各个评价指标
关键术语

图形介绍

同样的道理，这里我们采用recall来计算模型的好坏，也就是说那些异常的样本我们的检测到了多少，这也是咱们最初的目的！这里通常用混淆矩阵来展示。

混淆矩阵（confusion matrix）衡量的是一个分类器分类的准确程度。理解其概念本身容易理解，但一些特定术语易被混淆。
混淆矩阵适用于包含多个分类器的问题，本文为了让读者理解更加容易，以二元分类的混淆矩阵为例进行讲解。
观察混淆矩阵，可得如下结论：

示例是一个二元分类问题，产生两种可能的分类：“是”或者“不是”。当预测一个事件是否发生时，“是”意味着该事件已经发生，而“否”则相反，该事件没有发生。
该模型对这个事件进行了100次预测。
在这100次预测结果中，“是”有45次，“否”有55次。但实际上该事件发生了40次。

重要概念

真阳性（True Positive，TP）：样本的真实类别是正例，并且模型预测的结果也是正例
真阴性（True Negative，TN）：样本的真实类别是负例，并且模型将其预测成为负例
假阳性（False Positive，FP）：样本的真实类别是负例，但是模型将其预测成为正例
假阴性（False Negative，FN）：样本的真实类别是正例，但是模型将其预测成为负例

混淆矩阵延伸出的各个评价指标

正确率（Accuracy）：被正确分类的样本比例或数量

(TP+TN)/Total = (35+50)/100 = 85%

错误率（Misclassification/Error Rate）：被错误分类的样本比例或数量

(FP+FN)/Total = (5+10)/100 = 15%

真阳率（True Positive Rate）：分类器预测为正例的样本占实际正例样本数量的比例，也叫敏感度（sensitivity）或召回率（recall），描述了分类器对正例类别的敏感程度。

TP/ actual yes = 35/40 = 87%

假阳率（False Positive Rate）：分类器预测为正例的样本占实际负例样本数量的比例。

FP/actual no = 10/60 = 17%

特异性（Specificity）：实例是负例，分类器预测结果的类别也是负例的比例。

TN/actual no = 50/60 = 83%

精度（Precision）：在所有判别为正例的结果中，真正正例所占的比例。

TP/predicted yes = 35/45 = 77%

流行程度（Prevalence）：正例在样本中所占比例。

Actual Yes/Total = 40/100 = 40%

关键术语

阳性预测值： 其术语概念与精度非常类似，只是在计算阳性预测值考虑了流行程度。在流行程度为50%的时候，阳性预测值（PPV）与精度相同。
空错误率： 当模型总是预测比例较高的类别，其预测错误的实例所占百分比。在上述示例中，空错误率为60/100 = 60%，因为如果分类器总是预测“是”，那么对于60个为“否”的事件则可能进行错误预测。该指标可用于分类器间的性能比较。然而，对于某些特定的应用程序来说，其最佳分类器的错误率有时会比空错误率更高。
F值：F 值即为正确率和召回率的调和平均值。
Roc曲线：即接收者操作特征曲线(receiver operating characteristic curve)，反映了真阳性率（灵敏度）和假阳性率（1-特异度）之间的变化关系。Roc曲线越趋近于左上角，预测结果越准确。

【机器学习】混淆矩阵详细介绍（代码+含义+解释）相关推荐

五分钟秒懂机器学习混淆矩阵、ROC和AUC
本文始发于个人公众号:TechFlow,原创不易,求个关注今天是机器学习专题的第18篇文章,我们来看看机器学习领域当中,非常重要的其他几个指标. 混淆矩阵在上一篇文章当中,我们在介绍召回率.准确率 ...
机器学习 | 混淆矩阵和两类错误的关系
混淆矩阵和两类错误有什么关系吗? 1 混淆矩阵 2 统计学上的两类错误 3 两者的关系 4 参考 1 混淆矩阵在机器学习的分类问题中,最后需要去评估我们模型的优劣,这时候有众多的指标可以去考虑,之前 ...
混淆矩阵与miou代码
一.混淆矩阵 # 计算混淆矩阵 def generate_matrix(num_class,gt_image, pre_image):#正确的gt_maskmask = (gt_image >= ...
[机器学习] 混淆矩阵和kappa系数
两篇非常非常优秀的博客 4.4.2分类模型评判指标(一) - 混淆矩阵(Confusion Matrix) Kappa系数
机器学习——BP神经网络详细介绍及案例Python代码实现
哒哒!来咯!来喽! BP(Back Propagation)称误差反向传播,1985年由Rumelhart 和 McCelland提出.神经元函数如图: (一).举个通俗易懂的例子:假如,我说的是假如 ...
机器学习算法原理：详细介绍各种机器学习算法的原理、优缺点和适用场景
目录引言二.线性回归三.逻辑回归四.支持向量机五.决策树六.随机森林七.K-均值聚类八.主成分分析(PCA) 九.K近邻算法十.朴素贝叶斯分类器十一.神经网络十二.AdaBoos ...
Python混淆矩阵（confusion_matrix）FP、FN、TP、TN、ROC，FROC，精确率(Precision)，召回率(Recall)，准确率(Accuracy)，F1分数详述与实现
目录一.FP.FN.TP.TN 二.准确率(Accuracy).精确率(Precision).召回率(Recall).F1score 2.1.准确率(Accuracy) 2.2.召回率(Recall ...
机器学习数学方面的介绍[计算机数学专题(9)]
在学习机器学习之前,应该具有坚实的计算机基础. 深入学习了数据结构与数据结构的算法.计算机组织和系统架构,也具有编写一个完整项目的能力. 我的 AI 专题,主要是以高中数学为基础的,所以您应该看看 ...
python混淆_python实现混淆矩阵
机器学习的评估指标zhuanlan.zhihu.com 该篇文章介绍了机器学习的一些评估指标,要得到这些指标的基础,就是先求得混淆矩阵,那在代码中怎么获取混淆矩阵呢? 二分类二分类比较简单,所以我 ...