用示例解释二进制分类混淆矩阵

混淆矩阵是一种评估模式，帮助机器学习工程师更了解模型性能。本文以一个二元类不平衡数据集为例，测试集由60个正类样本和40个负类样本组成，用于评估机器学习模型。

二元类数据集仅有两个不同类别的数据，可简单命名为“正面”和“负面”类别。

现在，要完全理解这个二分类问题的混淆矩阵，我们首先需要熟悉以下术语：

True Positive(TP)是指属于正类的样本被正确分类。

True Negative(TN)是指属于负类的样本被正确分类。

False Positive(FP)是指属于阴性类的样本被错误地分类为属于阳性类。

False Negative(FN)是指属于正类的样本被错误地归类为负类。

我们可以通过训练模型获得的混淆矩阵示例如上所示，用于此示例数据集。

将第一列中的数字相加，我们看到正类中的样本总数为45 15=60。将第二列中的数字相加得到负类中的样本数，在本例中为40。所有方框中的数字总和给出了评估的样本总数。此外，正确的分类是矩阵的对角线元素——正类45个，负类32个。

现在，模型将左下角的框归类为正类样本，所以它被称为"FN"，因为模型预测的"阴性"是错误的。同理，右上框预计属于负类，但被模型分类为"正"。因此，它们被称为“FP”。我们可以使用矩阵中的这四个不同数字更仔细地评估模型。

欧意交易所最新推荐
OK交易所下载	USDT钱包下载	比特币平台下载
挖比特币方法	买稳定币教程	钱包注册指南

本文标签：

声明：本文由代码号注册/游客用户【澜漪】供稿发布，本站不对用户发布的用示例解释二进制分类混淆矩阵信息内容原创度和真实性等负责。如内容侵犯您的版权或其他权益，请留言并加以说明。站长审查之后若情况属实会及时为您删除。

很赞哦！ ()