混淆矩阵(Confusion Matrix)

混淆矩阵是除了ROC曲线和AUC之外的另一个判断分类好坏程度的方法。

以下有几个概念需要先说明:

TP(True Positive): 真实为0,预测也为0

FN(False Negative): 真实为0,预测为1

FP(False Positive): 真实为1,预测为0

TN(True Negative): 真实为1,预测也为1

:分类模型总体判断的准确率(包括了所有class的总体准确率)

: 预测为0的准确率(预测为positive的准确率)

: 真实为0的准确率 (就是预测为真占所有真的)

: 真实为1的准确率

: 预测为1的准确率(预测为FALSE的准确率)

: 对于某个分类,综合了Precision和Recall的一个判断指标,F1-Score的值是从0到1的,1是最好,0是最差

: 另外一个综合Precision和Recall的标准,F1-Score的变形

举个经典的二分类例子:

                      

,            ,             

如果是多分类的呢?举一个三分类的例子:

,     ,     

因此我们知道,计算Specificity,Recall,Precision等只是计算某一分类的特性,而Accuracy和F1-Score这些是判断分类模型总体的标准。我们可以根据实际需要,得出不同的效果

你可能感兴趣的:(python,算法)