首页Graduation机器学习

# 混淆矩阵

使用准确率进行模型评估的局限性：
（以预测 0/1 数据为例，不用模型，直接预测结果全是 1 的准确率也可能很高）

  • 没有体现数据预测的实际分布情况
  • 没有体现模型错误预测的类型。

混淆矩阵：又称误差矩阵，用于衡量分类算法的准确程度

  • True Positives (TP)：预测准确、实际为正样本的数量
  • True Negatives (TN)：预测准确、实际为负样本的数量
  • False Positives (FP)：预测错误、实际为正样本的数量
  • False Negatives (FN)：预测错误、实际为负样本的数量

更丰富的模型评估指标

指标 公式 定义
准确率（Accuracy） TP+TNTP+TN+FP+FN\frac{TP+TN}{TP+TN+FP+FN} 总样本中，预测正确的比例
错误率（Misclassification Rate） FP+FNTP+TN+FP+FN\frac{FP+FN}{TP+TN+FP+FN} 总样本中，预测错误的比例
召回率（Recall） TPTP+FN\frac{TP}{TP+FN} 正样本中，预测正确的比例
特异度（Specificity） TNTN+FP\frac{TN}{TN+FP} 负样本中，预测正确的比例
精确率（Precision） TPTP+FP\frac{TP}{TP+FP} 预测结果为正的样本中，预测正确的比例
F1 分数（F1 Score） 2×Precision×RecallPrecision+Recall\frac{2\times Precision\times Recall}{Precision+Recall} 综合 Precision 和 Recall 的指标