混淆矩阵及分类评价指标概念辨析

分类评价指标概念辨析

这些东西其实没什么难的，而且很多人肯定也是很早就接触过了，最大的问题在于时间长了记不住，所以就尽量解释的简单写，用于下次查阅使用。
主要需要理解的就是二分类的指标。

混淆矩阵中，横轴是样本真实标签，决定了样本是正例( P)还是负例(N)，纵轴代表模型的估计标签。在辨析各种基本概念的时候，因为这些评价都是和真实标签进行对比。分类分对了就是真(T)，分错了就是假(F)，只需要把分对分错加到所分标签即可。分对了正例就叫TP，分对了负例就叫TN，显然分对了是矩阵对角线的元素。然后分类分错就叫F，分出来正例分错就叫FP，分出来负例分错了就叫FN。
知道了这些概念就能很容易把概念和名字对应起来了，假阴(FN)率，真阳率(TP)。TPR自然就是真阳率，就是分对的正例占正例的比例。TPR=TP/PTPR=TP/PTPR=TP/P，假阳率虽然也有个阳，但是是假的，其实就是阴例，所以分母是所有的阴例，FPR=FP/NFPR=FP/NFPR=FP/N，这几个都是除以自己所在列的和。
正确率就是分对的除总数，也就是T/T+FT/T+FT/T+F，总数也可以通过N+PN+PN+P计算，可以看到分对的其实就是主对角线。错误率就是分错的除总数，分错的就是副对角线。
召回(Recall)率又叫查全率，意思就是分类正确的正例的占全部正例的比例，比例越高说明查的越全。Re=TP/(TP+FN)=TP/PRe=TP/(TP+FN)=TP/PRe=TP/(TP+FN)=TP/P。可以看到召回率又叫真阳率，又叫敏感度(Sensitive)。
准确(Precision)率又叫查准率，就是看判别为正例的是否准确，Pr=TP/(TP+FP)=TP/YPr=TP/(TP+FP)=TP/YPr=TP/(TP+FP)=TP/Y。这里可以看到准确率和查全率的分子都是TP。
在医学等相关行业会关注特异性(Specificity)，所有负例被分对的比例，计算方式Sp=TN/TN+FP=TN/NSp=TN/TN+FP=TN/NSp=TN/TN+FP=TN/N。可以看到特异性又叫真阴率。
如果把所有的样本逐个摊开，每次来一个样本，根据分类的结果算一次假阳(FP)率和真阳(TP)率，然后分别作为x，y轴描出一系列的点，这个时候就叫接受者操作特性(ROC)曲线（要注意两个指标的分母是不一样的，前者是F，后者是P）。然后这个曲线的面积就叫AUC(Area Under Curve)了，显然如果值越大，说明FPR和TPR都很好，通常这两者是矛盾的，如果都比较好，那模型基本是没问题了。

混淆矩阵及分类评价指标概念辨析相关推荐

R语言使用randomForest包构建随机森林模型（Random forests）、使用importance函数查看特征重要度、使用table函数计算混淆矩阵评估分类模型性能、包外错误估计OOB
R语言使用randomForest包中的randomForest函数构建随机森林模型(Random forests).使用importance函数查看特征重要度.使用table函数计算混淆矩阵评估分类 ...
R语言使用rpart包构建决策树模型、使用prune函数进行树的剪枝、交叉验证预防过拟合、plotcp可视化复杂度、rpart.plot包可视化决策树、使用table函数计算混淆矩阵评估分类模型性能
R语言使用rpart包构建决策树模型.使用prune函数进行树的剪枝.使用10折交叉验证选择预测误差最低的树来预防过拟合.plotcp可视化决策树复杂度.rpart.plot包可视化最终决策树.使用t ...
R语言使用R基础安装中的glm函数构建乳腺癌二分类预测逻辑回归模型、分类预测器（分类变量）被自动替换为一组虚拟编码变量、summary函数查看检查模型、使用table函数计算混淆矩阵评估分类模型性能
R语言使用R基础安装中的glm函数构建乳腺癌二分类预测逻辑回归模型(Logistic regression).分类预测器(分类变量)被自动替换为一组虚拟编码变量.summary函数查看检查模型.使用t ...
R语言使用yardstick包的conf_mat函数计算多分类（Multiclass）模型的混淆矩阵、并使用summary函数基于混淆矩阵输出分类模型评估的其它详细指标（kappa、npv等13个）
R语言使用yardstick包的conf_mat函数计算多分类(Multiclass)模型的混淆矩阵(confusion matrix).并使用summary函数基于混淆矩阵输出分类模型评估的其它详细 ...
java计算混淆矩阵（分类指标：查准率P，查全率R，P和R的调和均值F1，正确率A）
[0]README 本文使用 java 计算混淆矩阵,并利用混淆矩阵值计算分类指标:通用分类指标有: 查准率,查全率,查准率和查全率的调和均值F1值,正确率, AOC, AUC等:本文计算前4个指 ...
混淆矩阵介绍以及评价指标(准确率，精确率，召回率，特异度，假警报率，G-mean，F1_score，KS值)
混淆矩阵混淆矩阵(Confusion Matrix),可以理解为就是一张表格.混淆这个名字还是很有内涵的,咳咳. 混淆矩阵是判断分类好坏程度的一种方法.另外还有ROC曲线和AUC曲线. 以分类模型中 ...
混淆矩阵及分类性能评估方法
混淆矩阵: 公式:其中TPR又叫召回率Recall
机器学习（五）之评价指标：二分类指标、多分类指标、混淆矩阵、不确定性、ROC曲线、AUC、回归指标
文章目录 0 本文简介 1 二分类指标 1.1 二分类时的错误类型 1.2 不平衡的数据 1.3 混淆矩阵 1.4 考虑不确定性 1.5 准确率-召回率曲线 1.6 ROC与AUC 2 多分类指标 3 ...
详细讲解分类模型评价指标（混淆矩阵）python示例
前言 1.回归模型(regression): 对于回归模型的评估方法,通常会采用平均绝对误差(MAE).均方误差(MSE).平均绝对百分比误差(MAPE)等方法. 2.聚类模型(clustering) ...

混淆矩阵及分类评价指标概念辨析

分类评价指标概念辨析

混淆矩阵及分类评价指标概念辨析相关推荐

最新文章

热门文章