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个指标；（附源代码和结果截图）

【1】什么是混淆矩阵（借用自己PPT截图）

【2】查准率和查全率的区别

查准率：查准率表示选出的样本中有多少比例样本是正例（期望样本）；

查全率：查全率表示有多少比例的正样本（期望样本）被选出来了；

【3】如何计算多分类混淆矩阵的评价指标（摘自周志华老师的机器学习，极力推荐大家买一本）

【4】源码如下

// 计算混淆矩阵，并根据混淆矩阵计算 10次交叉验证下的 评估指标均值(精确度, 召回率, F值， 准确率 这4个指标)
public class SingleConfusionMatrix {
//  C:\Users\pacoson\Desktop\confusion_matrixprivate static String dir = "C:" + File.separator + "Users" + File.separator + "pacoson" + File.separator + "Desktop" + File.separator + "confusion_matrix";private static double[][][] averages = new double[10][3][4]; // 10次交叉验证， 3个unknown(12, 24, 48)，4个度量指标(查全率，查准率，F1，准确率)private static int fold = 0;private static int counter = 6;public static void main(String[] args) {File file = new File(dir);showFiles();}// show files. public static void showFiles() {File[] files = new File(dir).listFiles();  for(File file: files) {  // 遍历 dir 目录下的所有文件String filename = file.getName(); String prefix = filename.split("_")[0]; if(prefix.length() > 1) continue;fold = Integer.valueOf(prefix); // 10次交叉验证的编号System.out.println("\n====== fold=" + fold + "======"); double[][] array = new double[100][6]; // item 数组DataRead reader = new DataRead(file.getAbsolutePath());   reader.readDataToArray(1, 1, array); // 数据读取完毕 computeConfusion(0, array); // 预测长度12
//          computeConfusion(1, array); // 预测长度24
//          computeConfusion(2, array); // 预测长度48break;}
//      computeAverage();}// column = 1(12), 2(24), 3(48)static void computeConfusion(int column, double[][] array) { // 1.计算confusion12/24/48: TP FN FP TNint[][] confusions = new int[6][4];counter = 6;for (int id = 0; id < 6; id++) {for (int i = 0; i < array.length; i++) {if(array[i][column] == id) {if(array[i][column+3] == id) // column = 1(12), 2(24), 3(48)confusions[id][0]++; // TPelseconfusions[id][1]++; // FN} else if(array[i][column] != id) {if(array[i][column+3] == id)confusions[id][2]++; // FPelseconfusions[id][3]++; // TN}}}// 2.计算 统计指标: // 精确度P=TP/(TP+FP)， 查准率// 召回率R= TP/(TP+FN)， 查全率// f1值=2*P*R/(P+R)// 准确率=(TP+TN)/(TP+FN+FP+TN)double[][] metrices = new double[6][4]; // 精确度, 召回率, F1值, 分类准确率for (int i = 0; i < confusions.length; i++) { double[] metric = metrices[i];int[] confusion = confusions[i];System.out.print("confusion matrix: TP, FN, FP, TN: ");for (int j = 0; j < confusion.length; j++) { // 打印每个混淆矩阵System.out.print(confusion[j] + ", ");}System.out.println();if(confusion[0] + confusion[2] != 0) // 分母不能为零.metric[0] =  (double)confusion[0] / (confusion[0] + confusion[2]); // 精确度if(confusion[0] + confusion[1] != 0) // 分母不能为零.metric[1] =  (double)confusion[0] / (confusion[0] + confusion[1]); // 召回率if(metric[0] + metric[1] != 0) // 分母不能为零.metric[2] =  (double)2*metric[0]*metric[1]/(metric[0] + metric[1]); // f值metric[3] =  (double)(confusion[0]+confusion[3]) / (confusion[0] + confusion[1]+ confusion[2]+ confusion[3]); // 准确率if(confusion[3] == 100) { // 如果 TN == 100, 表明没有这个类成员（TN表示真实类别不是该类别且预测类别也不是该类别，那如果总数为100，则没有模型没有选出该类别）。metric[3] = 0;counter--;}}// 3.求均值（宏精确度, 宏召回率, 宏F1值, 宏准确率）
//      double[] average = new double[4];
//      private static double[][][] averages = new double[10][3][4]; // 10次交叉验证， 3个unknown(12, 24, 48)，4个度量指标(查全率，查准率，F1，准确率)
//      double[][] metrices = new double[6][4]; // 精确度, 召回率, F1值, 分类准确率double[] average = averages[fold][column];System.out.println("counter = " + counter);for (int j = 0; j < metrices[0].length; j++) {double sum = 0;for (int i = 0; i < metrices.length; i++) {sum += metrices[i][j];}average[j] = sum/counter;System.out.print(average[j] + " ");}System.out.println();}public static void computeAverage() {System.out.println("\n ===  计算10折交叉验证的统计指标均值  === \n");// 预测长度为 12(j==0)， 24(j==1)， 48(j==2)for (int j = 0; j < 3; j++) {             for (int k = 0; k < averages[0][0].length; k++) { // 4 个 itemsdouble sum = 0;for (int i = 0; i < averages.length; i++) { // 行(10折) sum += averages[i][j][k];}System.out.print(sum/10 + " ");}System.out.println();}}
}

Tips： 10次交叉验证实验，只需要调用其中的 computeAverage() 方法就可以计算其10次的均值了。（这里只求出了某次交叉实验的均值）

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）相关推荐

分类模型计算混淆矩阵
1. 什么是混淆矩阵混淆矩阵是评判模型结果的一种指标,属于模型评估的一部分,常用于评判分类器的优劣.即,混淆矩阵是评判模型结果的指标,属于模型评估的一部分. 此外,混淆矩阵多用于判断分类器(Clas ...
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语言构建logistic回归模型并评估模型：计算混淆矩阵、并基于混淆矩阵计算Accuray、Precision、Recall(sensitivity)、F1、Specificity指标
R语言构建logistic回归模型并评估模型:计算混淆矩阵.并基于混淆矩阵计算Accuray.Precision.Recall(sensitivity).F1.Specificity指标目录
R语言使用caret包的confusionMatrix函数计算混淆矩阵、基于混淆矩阵的信息手动编写函数计算accuray、准确率指标
R语言使用caret包的confusionMatrix函数计算混淆矩阵.基于混淆矩阵的信息手动编写函数计算accuray指标目录
R语言使用caret包的confusionMatrix函数计算混淆矩阵、基于混淆矩阵的信息手动编写函数计算Specificity、特异度指标
R语言使用caret包的confusionMatrix函数计算混淆矩阵.基于混淆矩阵的信息手动编写函数计算Specificity指标目录
[Python+sklearn] 计算混淆矩阵 confusion_matrix()函数
python sklearn 计算混淆矩阵 confusion_matrix()函数参考sklearn官方文档:sklearn.metrics.confusion_matrix. 功能: 计算混淆矩 ...
计算混淆矩阵和Kappa系数
1. 将envi中影像转化为tif格式,导入到arcmap中,fileàsave file as àTiff/geo tiff 2. 在arcmap中用arctollbox ...

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）

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）相关推荐

最新文章

热门文章