【机器学习】马修斯相关系数（Matthews correlation coefficient）

最新推荐文章于 2025-03-04 11:27:46 发布
最新推荐文章于 2025-03-04 11:27:46 发布
阅读量1.5w 收藏 18
点赞数 5
分类专栏： 深度学习与机器学习 文章标签： 机器学习 相关系数 二分类 真阳性 假阳性
马修斯相关系数（MCC）是评估二分类问题中机器学习模型性能的指标，尤其适用于类别不平衡的情况。MCC考虑了真阳性和假阳性的区别，值在-1到1之间，1表示完美预测，0表示随机预测，-1表示完全不一致。它是相关系数的一种，可直接从混淆矩阵计算得出，是衡量分类器预测质量的有力工具。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

马修斯相关系数（Matthews correlation coefficient）

马修斯相关系数是在使用机器学习作为二进制（2类）的质量的度量的分类，通过布赖恩W.马修斯在1975年由生物化学引入

它考虑到真和假阳性和假阴性，并且通常是被视为一种平衡的措施，即使这些类别的规模大小不同也可以使用。
MC实质上是观察到的类别和预测的二元分类之间的相关系数; 它返回介于-1和+1之间的值。系数+1表示完美预测，0表示不比随机预测好，-1表示预测和观察之间的完全不一致。统计数据也称为phi系数。MCC与2×2 列联表的卡方统计量相关
|MCC|=\sqrt{\frac{\chi _2}{n}}
其中n是观察总数。虽然没有完美的方法用一个数字来描述真假阳性和阴性的混淆矩阵，但马修斯相关系数通常被认为是最好的这种测量之一。
当两个类别具有非常不同的大小时，其它度量（例如正确预测的比例（也称为准确性））无用。例如，将每个对象分配给较大的集合可以实现高比例的正确预测，但通常不是有用的分类。可以使用以下公式直接从混淆矩阵计算MCC ：

了解本专栏 订阅专栏 解锁全文 超级会员免费看
Matthews相关系数
YW_Vine的博客
10-15 2971
马休斯相关系数是衡量二分类模型结果的评估指标之一，具体参考Matthews Correlation Coefficient is The Best Classification Metric You’ve Never Heard Of，它能解决不均衡类别数据的指标衡量问题，首先介绍precision、recall及F1-score指标存在的问题。 precision、recall及F1定义 混淆矩阵的定义如下： positive(true) negative(true) positive(
可能是最全的机器学习模型评估指标总结
thothsun 的博客
04-18 9872
本文参考了 scikit-learn 的官方文档的模型评估章节的部分内容，总结了常用的分类、聚类和回归模型的模型评估指标。 目录： 分类模型的度量 聚类模型的度量 回归模型的度量 符号定义： yyy：真实值，y^\hat{y}y^​：预测值，nnn：样本数 一、分类模型的度量 1.accuracy（准确率） 预测正确的样本占全部样本的比例，公式为： accuracy(y,y^)=1n∑i=0n...
8.马修斯相关系数(MCC)-机器学习模型性能的常用的评估指标
qq_37977007的博客
01-25 9430
简单介绍MCC评估指标
马修斯相关系数（Matthews correlation coefficient）
热门推荐
Winnycatty的博客
10-08 3万+
马修斯相关系数是在使用机器学习作为二进制（2类）的质量的度量的分类，通过生物化学引入布赖恩W. 马修斯在1975年 它考虑到真和假阳性和假阴性，并且通常是被视为一种平衡的措施，即使这些班级的规模大小不同也可以使用。 MC实质上是观察到的和预测的二元分类之间的相关系数; 它返回介于-1和+1之间的值。系数+1表示完美预测，0表示不比随机预测好，-1表示预测和观察之间的完全不一致。统计数据也称为ph...
马修斯相关系数（简称：MCC； 全称：Matthews correlation coefficient）更适合类别不平衡问题的模型结果评价
zh515858237的专栏
01-30 2756
一般常见指标是F1-score、precision、recall、roc、auc、accuracy，但他们存在的最大问题是，只关注正样例。
马修斯相关系数MCC和标准互信息NMI
gaomeihong1993的博客
07-23 6778
1 机器学习知识补充 机器学习分为三个阶段： 第一阶段：学习模型。采用学习算法，通过对训练集进行归纳学习得到分类模型。 第二阶段：测试模型。将已经学习得到的分类模型用于测试集，对测试集中未知类别的实例进行分类。 第三阶段：性能评估。只有通过优秀的评价标准才能选择出性能更好的分类器。 2.马修斯相关系数（性能评估的指标） . 马修斯相关系数是应用在机器学习中，用以测量二分类的分类性能的指标...
马修斯相关系数
最新发布
03-14
马修斯相关系数（Matthews Correlation Coefficient，简称 MCC）是一种用于评估二分类模型性能的指标[^1]。它特别适合于处理类别不平衡的数据集，因为其能够综合考虑真正例、假正例、真反例和假反例的数量。 #### ...
深入理解机器学习（一）——二分类模型评价指标详解（上）
u012837965的专栏
01-10 7249
当下机器学习领域可谓空前热闹，有不少后起之辈，同时也高手如云。不知道大家有没有见过这样的人，告诉他一些模型指标他就能准确的告诉你当前模型的问题在哪，下一步应该做什么样的实验，宛如会把脉的老中医。怎样学习这样一种能力呢？我注意到很多资料中关于这部分的内容是偏少的。而我刚好在这方面做过一些总结，现在分享出来抛砖引玉。 一、横看成岭侧成峰、远近高低各不同 模型评价通常出现在以下几个环节：调参训练、离...
【漫话机器学习系列】117.马修斯相关系数（Matthews Correlation Coefficient, MCC）
IT古董
03-04 2076
在机器学习和二分类问题中，我们通常使用各种指标来评估分类模型的性能，例如准确率（Accuracy）、精确率（Precision）、召回率（Recall）和 F1 分数（F1 Score）。然而，这些指标在数据不均衡的情况下可能会产生误导。比如，当正负样本比例严重失衡时，高准确率并不意味着模型分类效果好。为了解决这一问题，马修斯相关系数（Matthews Correlation Coefficient, MCC） 提供了一种更全面的评估方法。
[分类指标]准确率、精确率、召回率、F1值、ROC和AUC、MCC马修相关系数
DJJ5210的博客
02-29 2018
准确率（Accuracy）：正确分类的样本个数占总样本个数，精确率（Precision）(查准率)：预测正确的正例数据占预测为正例数据的比例，召回率（Recall ）(查全率)：预测为正确的正例数据占实际为正例数据的比例，F1 值（F1 score）： 调和平均值，准确率、精确率、召回率、F1 值主要用于分类场景。准确率可以理解为预测正确的概率，其缺陷在于：当正负样本比例非常不均衡时，占比大的类别会影响准确率。
相关系数
m0_37531129的博客
04-21 5456
1.谷本系数 Tanimoto Coefficient 参考：谷本系数 Tanimoto 系数 Tanimoto系数由Jaccard系数扩展而来。两个集合的交比上两个集合的并。 举例： 两个人拥有相同的东西/两个人所有的东西 可以看出两个人的相关程度，如果拥有相同东西越多表明两个人的兴趣爱好越相同（一般情况下） Jaccard系数 两个特征向量A,B，如果其值都是0,1的二值数据，那么有一个简单...
评价模型的方法Matthews correlation coefficient (MCC)
Kp0fS的草稿纸
11-04 3901
评价模型的方法， Matthews correlation coefficient (MCC) Matthews相关系数_YW_Vine的博客-优快云博客 写的蛮好的↑
python模型性能评估的一个小工具类
土豆洋芋山药蛋的博客
06-10 2786
评价一个机器学习模型的性能有很多指标，如准确率、查准率、查全率（=召回率=敏感度）、F1值等。这篇博客整理了一些评价指标，并使用python封装了一个方法类，作为日常整理，也希望能对别人提供帮助。 一、相关原理 对于二分类问题，分类的结果会出现以下4中情况 其中，TP表示原本是正向的且被分类器正确地分到正向那一类中（即，真阳性）的样本数，FP表示原本是负向但被分类器错误的分到正向那一类中（即，假...
【机器学习】分类算法评估指标全总结(2023最新整理)关键词：准确率Accuracy、精确率Precision、召回率Recall、Micro F1、P-R、ROC、MCC、Cohen‘s kappa
Next_SummerAgain的博客
03-20 1万+
评估指标是针对模型性能优劣的一个定量指标。一种评价指标只能反映模型一部分性能，如果选择的评价指标不合理，那么可能会得出错误的结论，故而应该针对具体的数据、模型选取不同的的评价指标。 针对不同类型的学习任务，我们有不同的评估指标，这里我们来介绍最常见的分类算法的一些评估指标。常用的分类任务评价指标有准确率（Accuracy）、精确率（Precision）、召回率（Recall）、Macro F1、Micro F1、P-R曲线（Precision-Recall Curve）、ROC、AUC、MCC、Cohen
【Scikit-Learn 中文文档】模型评估: 量化预测的质量 - 模型选择和评估 - 用户指南 | ApacheCN
妳那伊抹微笑的专栏
11-27 1925
有 3 种不同的 API 用于评估模型预测的质量: Estimator score method（估计器得分的方法）: Estimators（估计器）有一个 score（得分） 方法，为其解决的问题提供了默认的 evaluation criterion （评估标准）。 在这个页面上没有相关讨论，但是在每个 estimator （估计器）的文档中会有相关的讨论。 Scoring parameter（评分参数）: Model-evaluation tools （模型评估工具）使用 cross-validatio
也谈谈机器学习中的Evaluation Metrics
CarlXie
01-07 2万+
判断事物的好坏需要一定的评判标准，判断分类系统的优劣自然需要一定的评判方式。作为设计机器学习系统的一个很重要的环节——评价指标(Evaluation Metric)即是本文的主角。本文首先介绍Accuracy单独作为评价指标可能有什么不足，再介绍从Precision-Recall到F-measure的推进，接着给出解决Accuracy Paradox的MCC
DL4J中文文档/调优与训练/评估
bewithme的专栏
11-24 1089
为什么要评估? 当训练或部署神经网络时，了解模型的准确性是有用的。在DL4J中，评估类和评估类的变体可用于评估模型的性能。 分类评价 评估类用于评估二分类和多类分类器（包括时间序列分类器）的性能。本节介绍了评估类的基本用法。 给定一个DataSetIterator形式的数据集，执行评估的最简单方法是使用MultiLayerNetwork和ComutationGraph上的内置评估方法： ...
机器学习----分类回归评测指标
qq_38077075的博客
03-09 845
【本文为日常学习总结，大多内容转载于很多博主 https://www.cnblogs.com/Zhi-Z/p/8728168.html】 数据挖掘、机器学习和推荐系统中的评测指标—准确率(Precision)、召回率(Recall)、F值(F-Measure)简介。 一、分类问题评测指标（二元分类器为例）： 混淆矩阵 True Positive(真正，TP)：将正类预测为正类数 True Neg...
机器学习常用性能指标及sklearn中的模型评估
微澜同学
09-17 1万+
一，机器学习常用性能指标总结 （转载并稍作修改和补充） 在机器学习中，性能指标(Metrics)是衡量一个模型好坏的关键，通过衡量模型输出y_predict 和 y_true之间的某种"距离"得出的。 性能指标往往是我们做模型时的最终目标，如准确率，召回率，敏感度等等，但是性能指标常常因为不可微分，无法作为优化的loss函数，因此采用如cross-entropy, rmse等“距离”可微函数...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值