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，一般情況下介紹混淆矩陣都會以二分類為例。如果有 3 個類呢？那麼將得到乙個 33 矩陣依此類推。通過上面描述我們知道，混淆矩陣的類將具有相同數量的行和列。
下面讓我們嘗試了解一些常用術語，有 tp(true positive)、fp(false positive)、false positive 和 fn(false negative)。
我們將使用乙個 3 x 3 矩陣，我們將使用我將向您展示的技巧計算 tp、tn、fp、fn 值。這個技巧也可以應用於 44、55…n*n 矩陣。
考慮這個混淆矩陣在下圖 1 中的資料集的輸出列中具有 a、b、c 類。
我們將嘗試計算 a 類的tp(true positive)、fp(false positive)、false positive 和 fn(false negative)的值
完整文章
多分類任務的混淆矩陣處理
在多分類任務中，不適合使用pr曲線和roc曲線來進行指標評價，但我們仍可以通過混淆矩陣來進行處理。可以通過matplotlib的matshow 函式，直觀地展示分類結果的好壞。先使用cross val predict得出各個分類值的分數 y train pred cross val predict ...
多分類任務的混淆矩陣和評價指標
之前一直不明白多分類任務的混淆矩陣，今天研究了一下。拿乙個三分類任務來說 cat dog bird 有8個 結果 值 dog,dog,cat cat,cat,dog,bird,cat 真實值 dog,cat,cat,cat,bird,bird,cat,cat 要對每乙個類別做混淆矩陣。拿cat類來說...
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...