#混淆矩陣（confusion matrix）是一種特別定的**布局，可以視覺化分類器的效能
**分類
陽性陰性
陽性真陽性（
tp）
偽陽性（
fn）實際分類
陰性偽陰性（
fp）
真陰性（
tn）#利用100個例項訓練集
**分類
簽約不簽約
總計 簽約
3（ tp）
8（fn）
11實際分類
不簽約2（
fp）
87（tn）
89總計5
98100
#精確度：模型能夠正確的對記錄進行分類的比例
accuracy = (
tp +
tn ) / (
tp +
tn +
fp +
fn) *
100%
#真陽性率(true positive rate)&召回率(recall)：被分類器正確識別為陽性例項的比例
tpr =
tp / (
tp +
fn)recall
#偽陽性率(false positive rate)：被分類器誤標記為陽性的百分比
fpr =
fp / (
fp +
tn)#偽陰性率(false negative rate)：被分類器誤標記為陰性的百分比
fnr =
fn / (
tp +
fn)乙個效能好的模型應該有乙個較高tpr（
理想值是1），
乙個較低的fpr和fnr（
理想值是0）
#準確率(precision)：被標記為陽性並且事實上也是陽性的例項的百分比
precision =
tp / (
tp +
fp)#下面運用混淆矩陣來診斷分類器
精確度 =
accuracy
= (
tp +
tn ) / (
tp +
tn +
fp +
fn) *
100%
= (3 +
87) / (
3 +
8 +
2 +87) *
100% =
90%tpr(
orrecall) =
tp / (
tp +
fn) =
3 / (
3 +
8) =
0.273
fpr =
fp / (
fp +
tn) =
2 / (
2 +
87) =
0.022
fnr =
fn / (
tp +
fn) =
8 / (
3 +
8) =
0.727
準確率 =
precision
= tp / (
tp +
fp) =
3 / (
3 +
2) =
0.6#精確度，fpr，準確率相對較好 tpr，fnr表現不佳
分類器評估 混淆矩陣和ROC曲線
為正樣本 1 為負樣本 1 原正樣本 1 真陽 tp 假陰 fn 原負樣本 1 假陽 fp 真陰 tn 這裡以二分類問題來討論 很明顯，理想完美的分類器的對角線為0，即所有正樣本 為正樣本，所有負樣本 為負樣本。由混淆矩陣可以得出的一些引數 1 accuracy 模型的精度，模型 正確個數 樣本的總...
Matlab畫混淆矩陣（多分類）
在神經網路和機器學習的結果分析中，常常會用混淆矩陣和roc曲線來分析識別 分類結果的好壞，而且 中也經常出現這種圖。對於卷積神經網路來說畫混淆矩陣很簡單，要用到函式plotconfusion，格式為plotconfusion 實際標籤，標籤 畫出來是這樣的 實際標籤是我們提前就知道的，標籤在神經網路...
多分類任務的混淆矩陣
今天我將討論如何在多分類中使用混淆矩陣評估模型的效能。什麼是混淆矩陣？它顯示了實際值和 值之間的差異。它告訴我們有多少資料點被正確 哪些資料點沒有被正確 對於多分類來說，它是乙個 n n 矩陣，其中 n 是編號。輸出列中的類別，也稱為目標屬性。一二分類任務中包含了 2 個類也就是乙個 22 矩陣，一...