在你的数据科学生涯的开始，混淆矩阵会非常混乱，我们会有很多问题，比如什么时候使用精度？什么时候使用召回？在哪些情况下可以使用精度？因此，我将尝试在本博客中回答这些问题。

什么是混淆矩阵？

混淆矩阵是一种将预测结果和实际值以矩阵形式汇总的方法，用来衡量分类问题的性能。

在这里，我们将预测表示为 Positive§ 或 Negative(N)，将真值表示为 True(T) 或 False(F)。

将真实值和预测值一起表示，我们得到真阳性 (TP)、真阴性 (TN)、假阳性 (FP) 和假阴性 (FN)。

那么什么是 TP、TN、FP 和 FN？这里我们将考虑一个怀孕测试的例子，一个真正的孕妇和一个胖男人咨询医生，测试结果如下图所示。

TP(True Positive)：女人怀孕了，预测她怀孕了。这里 P 代表正向预测，T 表明我们的预测实际上是正确的。

FP(False Positive) : 一个胖子被预测怀孕了，其实是假的。这里P代表正预测，F代表我们的预测其实是假的。这也称为I 类错误。

FN(False Negative)：实际怀孕的女性被预测为未怀孕。这里N代表负预测，F代表我们的预测其实是假的。这也称为II 类错误。

什么是混淆矩阵精度、召回率、准确性、F1 分数、FPR、FNR、TPR、TNR？相关推荐

机器学习之选择小样本交叉验证训练模型并使用精确率、召回率、F1分数和AUC值、画出ROC曲线评估
题目如下 (1)读入aviation数据集,设置MEMBER_NO为索引列:(4分) (2)剔除重复值.缺失值.(4分) (3)随机抽取500样本,切片特征X和标签Y:(4分) 因为调参很慢,所以这里 ...
手推多分类precision(精确率)、recall(召回率)、F1分数
文章目录样例混淆矩阵 precision.recall.F1分数介绍多分类 macro.micro.weighted 样例本文使用以下样例来计算混淆矩阵.precision.recall和F1 ...
混淆矩阵正确率召回率 ROC曲线
混淆矩阵: 预测结果真实结果 +1 -1 +1 TP FN -1 FP TN TP:真阳 TN:真阴 FP:假阳 FN:假阴正确率/精准率(precision):TP/(TP+ ...
混淆矩阵、召回率、精确率、正确率、F1、真阳性率、假阳性率、ROC、AUC
ConfusionMatrix:Confusion Matrix:ConfusionMatrix: 真实 1 0 预测 1 TP(命中) FP(虚报) 0 FN(漏报) TN(正确拒绝) 召回率Rec ...
看精确召回率和f1得分
Terminology of a specific domain is often difficult to start with. With a software engineering backg ...
机器学习分类问题指标评估内容详解（准确率、精准率、召回率、F1、ROC、AUC等）
文章目录前言一.混淆矩阵(confusion matrix) 二.准确率,精准率,召回率,F1分数 1. 准确率(Accuracy) 2. 精确率(Precision) 3. 召回率(Recall ...
什么是精确率、召回率、F1？
什么是精确率.召回率.F1? TP.FP.FN.TN 精确率 & 召回率(Precision & Recall) F1-Score TP.FP.FN.TN 先搞清楚,TP.FP.F ...
准确率、召回率、F1值的思考
简述概念准确率(Accuracy) 准确率(ACC), 所有预测正确的占总样本的比重. 精确率/查准率(Precision) 精确率(P):精确率/查准率,表示正确预测为正的占全部预测为正的比例.对 ...
Python机器学习：评价分类结果003实现混淆矩阵，精准率和召回率
#实现混淆矩阵,精准率和召回率 import numpy as np from sklearn import datasets digits = datasets.load_digits() X = ...
混淆矩阵与精确度、召回率、F1 Score
1.计算公式从混淆矩阵计算精确度.召回率.F1 Score的过程如下图所示,其中P和R即Precision和Recall: 2.验证实验如下图为Azure ML自带的一个示例给出的模型评分结果:原 ...

什么是混淆矩阵精度、召回率、准确性、F1 分数、FPR、FNR、TPR、TNR？

什么是混淆矩阵？

什么是混淆矩阵精度、召回率、准确性、F1 分数、FPR、FNR、TPR、TNR？相关推荐

最新文章

热门文章