基于混淆矩阵的评价指标

最新推荐文章于 2025-11-30 02:41:40 发布

原创

最新推荐文章于 2025-11-30 02:41:40 发布 · 1.7w 阅读

18 ·

CC 4.0 BY-SA版权

文章标签：

#ROC #Recall #Precision

混淆矩阵是评估分类算法性能的重要工具，包括TP、FN、FP和TN。准确率和误分率是基本评价指标，Recall和Precision关注正样本的识别，ROC曲线通过AUC值评估模型优劣，FAR和FRR则用于衡量误报和拒真率。

识别任务中混淆矩阵（Confusion Matrix）用于评价算法好坏的指标。下图是一个二分类问题的混淆矩阵：

TP：正确肯定——实际是正例，识别为正例

FN：错误否定（漏报）——实际是正例，却识别成了负例

FP：错误肯定（误报）——实际是负例，却识别成了正例

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Ai_ViVi

关注关注

1
点赞
踩
18

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

混淆矩阵——评估指标

kkkaiyu的博客

12-28

1362

承接上文，本文通过混淆矩阵获取几个常见的评估指标。使用sklearn、tensorflow和手搓混淆矩阵这3种方式进行指标的计算 🦆🦆🦆。

【评价指标】混淆矩阵Confusion Matrix、iou、miou、召回率、准确率及代码实现

ting的博客

03-24

3773

混淆矩阵Confusion Matrix是大小为 (n_classes, n_classes) 的方阵, n_classes 表示类的数量。混淆矩阵可以用于直观展示每个类别的预测情况。并能从中计算精确值(Accuracy)、精确率(Precision)、召回率(Recall)、交并比(IoU)。

1 条评论您还未登录，请先登录后发表或查看评论

数据科学|混淆矩阵完全指南：从原理到应用

最新发布

u014177256的博客

11-30

756

混淆矩阵是评估分类模型性能的重要工具，它通过对比预测结果与实际类别，揭示模型的真实表现。本文从概念解释到实际应用，详细介绍了混淆矩阵的构成、解读方法和核心指标计算。通过医生诊断和垃圾邮件分类等案例，形象展示了混淆矩阵的四个核心元素（TP、TN、FP、FN）及其意义。文章还讲解了如何在Scipy/Sklearn中创建和可视化混淆矩阵，并深入分析了准确率、精确率、召回率等关键指标的应用场景和选择策略。特别强调在数据不平衡时不能仅依赖准确率，而需要结合混淆矩阵全面评估模型性能，同时指出FP和FN的严重性取决于具体

评估分类模型—混淆矩阵Confusion Matrix与评估指标

qq_44733706的博客

05-11

8549

对于设计好的分类模型，需要大量的数据集来对其性能进行评估，因此了解评估指标是十分重要的。

混淆矩阵 评价指标

llf000000的博客

04-08

1076

【代码】论文复现 混淆矩阵。

2019.6.3机器学习性能评价指标，混淆矩阵

qq_40258282的博客

06-03

464

转自： https://blog.youkuaiyun.com/songhao22/article/details/75207707 欢迎使用Markdown编辑器你好！这是你第一次使用 Markdown编辑器所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。新的改变我们对Markdown编辑器进行了一些功能拓展...

混淆矩阵评价指标_分类效果评价指标一混淆矩阵

weixin_28192383的博客

01-13

2671

1.混淆矩阵：判断分类模型好坏(摘自:版权声明：本文为优快云博主「Orange_Spotty_Cat」的原创文章.原文链接：https://blog.youkuaiyun.com/Orange_Spotty_Cat/article/details/80520839)混淆矩阵是ROC曲线绘制的基础，同时它也是衡量分类型模型准确度中最基本，最直观，计算最简单的方法。一句话解释版本：混淆矩阵就是分别统计分类模型归...

基于混淆矩阵的机器学习分类评价指标研究及Python实践.zip

06-21

精选资源

基于GRNN广义回归神经网络的数据分类和基于FCM数据分类对比并输出混淆矩阵评价指标-源码

10-01

通过这些指标，我们可以计算出精确率、召回率、F1分数等评价指标，以全面理解模型的分类效果。对于多分类问题，混淆矩阵则是一个更大的表格，每个类别都有自己的TP、FP、TN和FN。在提供的源码中，应该包含了使用...

基于GRNN广义回归神经网络的数据分类和基于FCM数据分类对比并输出混淆矩阵评价指标,含仿真操作录像

04-20

3.内容：基于GRNN广义回归神经网络的数据分类和基于FCM数据分类对比并输出混淆矩阵评价指标。 %% 模糊聚类 data=P1; [center,U,obj_fcn] = fcm(data,5); for i=1:R1 [value,idx]=max(U(:,i)); a1(i)=idx; end ...

混淆矩阵及其相关评价指标

B站搜索馆主君晓欢迎关注~

03-15

4452

本文首发于馆主君晓的博客，链接地址为：混淆矩阵及其相关评价指标在机器学习或者深度学习领域，我们常常会用到混淆矩阵，以及与之相关的一些评价指标，今天就稍微总结一下什么是混淆矩阵以及里面的一些评价指标及其相关含义。 混淆矩阵 混淆矩阵又叫做误差矩阵，是表示精度评价的一种标准格式，常常用n行n列的矩阵来表示，而通常在二分类的任务中，我们常常用下面的矩阵来表示混淆矩阵。上图是一个二分类混淆矩阵的标准形式，在二分类中0我们称之为负类，也就是negative，而1我们称之为正类，也就是positive

分类的评估指标及不平衡数据的处理

njhniubi的博客

04-19

2330

'''y_true：真实目标值y_pred：估计器预测目标值labels:指定类别对应的数字target_names：目标类别名称return：每个类别精确率与召回率'''

ksql 数量大于2_机器学习系列篇2-模型的评价机制

weixin_31281003的博客

11-26

175

工作中很多时候我们需要预测一个事件发生的概率或者事件所属类别。比如你申请信用卡时候，银行会预测你将来是否逾期不还钱，或者不还钱的概率。这里我们讨论一下，一旦有了这种模型，怎么去评价一个模型的效果。机器学习模型可以广泛的应用在不同的领域，比如预测房价或者股票，预测图片中的动物属于哪一种动物，也可以帮助机器人优化行走路线。在这里我们着重强调在机器学习领域常见的一种应用，二分类模型，比如预测客户是否会逾...

机器学习备忘录 | 二分类模型常用评价指标汇总

小美哥的博客

06-12

3619

有很多指标可以衡量机器学习模型的效果，不同的任务使用的评价指标也不尽相同。本文对二分类任务的评价指标加以总结。全文系作者原创，仅供学习参考使用，转载授权请私信联系，否则将视为侵权行为。码字不易，感谢支持。在二分类问题中，数据的标签通常用（0/1）来表示，在模型训练完成后进行测试时，会对测试集的每个样本计算一个介于0~1之间的概率，表征模型认为该样本为阳性的概率，我们可以选定一个阈值，将模型...

图像分割中的混淆矩阵和利用混淆矩阵计算指标

Henry的博客

04-13

2527

介绍了语义分割中利用混淆矩阵计算性能指标的方法

matlab混淆矩阵和roc曲线,机器学习入门之【机器学习】--模型评估指标之混淆矩阵，ROC曲线和AUC面积...

weixin_42136826的博客

03-16

579

本文主要向大家介绍了机器学习入门之【机器学习】--模型评估指标之混淆矩阵，ROC曲线和AUC面积，通过具体的内容向大家展现，希望对大家学习机器学习入门有所帮助。一、前述怎么样对训练出来的模型进行评估是有一定指标的，本文就相关指标做一个总结。二、具体1、混淆矩阵混淆矩阵如图：相关公式：公式解释：fp_rate：tp_rate:recall:(召回率)值越大越好presssion:(准确率)TP:本来...

机器学习——不平衡分类指标

夏未眠秋风起的博客

04-13

4255

准确率（acc），代表分对的样本占所有样本的比例，在不平衡分类中不可信，比如当样本比例为99:1的时候，只需要让多数类都分对，准确率就可以达到99%，但实际上少数类却被全部分错了。查准率，又叫精确率，用查准率比较好理解，字面理解就是查的准不准，就是希望我判断为真的样本，有哪些是确实的是正的样本召回率(Recall, TNR, sensitivity)，就是实际为正的样本中有多少...

数据不平衡时分类器性能评价（ROC曲线）

AI_盲的博客

08-23

7924

大家在将统计学习方法用于实际应用时，不免会遇到各类间数据不太平衡的情况。比如垃圾邮件的识别、稀有病情的诊断、诈骗电话识别、情感分析等等情况。导致数据不平衡的原因有很多，有可能是因为不恰当的采样方法，也可能真实的数据分布就是如此；然而真实的数据分布在大多数情况下我们是无从得知的，于是我们只好认为我们所取得的样本是“真实”的，再从中进行学习。那么针对数据不平衡有很多研究点，最近稍微调研了一下，这也算是

不平衡分类_不平衡分类完整的路线图

weixin_26741341的博客

09-14

386

不平衡分类The very interesting problem of imbalanced classification is quite famous in articles and academic papers. Most of the work focus is on one part of the big image where it addresses a specific dat...

混淆矩阵评价指标计算举例

03-03

### 计算混淆矩阵的评价指标对于二分类问题，构建混淆矩阵并计算其评价指标是一个重要的过程。通过统计真正例(True Positive, TP)，假负例(False Negative, FN)，假正例(False Positive, FP) 和真负例(True Negative, TN) 的数量来完成这一工作。 #### 准确率 (Accuracy) 准确率是指所有预测正确的样本占总样本的比例。公式表示为： \[ \text{Accuracy} = \frac{\text{TP} + \text{TN}}{\text{TP} + \text{FP} + \text{FN} + \text{TN}} \] 例如，在垃圾邮件分类的例子中，如果共有100封邮件，其中80封是非垃圾邮件(TN=75, FP=5), 20封是垃圾邮件(TP=15, FN=5)，那么准确率为: \[ \text{Accuracy} = \frac{15 + 75}{15 + 5 + 5 + 75} = 90\% \][^1] #### 召回率 (Recall 或 Sensitivity) 召回率衡量的是实际为正类别的样本中有多少比例被正确识别出来。公式定义如下： \[ \text{Recall} = \frac{\text{TP}}{\text{TP} + \text{FN}} \] 继续上面的例子，对于这20封垃圾邮件而言，有15封被成功检测到，则召回率为: \[ \text{Recall} = \frac{15}{15 + 5} = 75\% \][^1] #### 精确度 (Precision) 精确度反映了在所有预测为正类别的情况下有多少是真的正类别成员。具体表达方式为： \[ \text{Precision} = \frac{\text{TP}}{\text{TP} + \text{FP}} \] 同样基于之前的案例数据，即在这总共20个标记为垃圾邮件的结果里实际上只有15个确实如此，因此精度为: \[ \text{Precision} = \frac{15}{15 + 5} = 75\% \][^3] #### F1分数 (F1 Score) F1分数是精确度和召回率之间的调和均值，用来平衡两者的重要性。它由下述方程给出： \[ \text{F1-Score} = 2 * (\frac{\text{Precision} * \text{Recall}}{\text{Precision} + \text{Recall}}) \] 利用上述得到的数据，可以得出该模型关于垃圾邮件分类的F1得分为: \[ \text{F1-Score} = 2 * (\frac{75\% * 75\%}{75\% + 75\%}) ≈ 75\%\][^2] ```python def calculate_metrics(tp, tn, fp, fn): accuracy = (tp + tn) / (tp + fp + fn + tn) recall = tp / (tp + fn) precision = tp / (tp + fp) f1_score = 2 * ((precision * recall) / (precision + recall)) return { 'accuracy': round(accuracy*100, 2), 'recall': round(recall*100, 2), 'precision': round(precision*100, 2), 'f1_score': round(f1_score*100, 2) } metrics = calculate_metrics(15, 75, 5, 5) print(metrics) ```