R语言中基于混淆矩阵产生的衍生指标的计算及参数设置

R语言中基于混淆矩阵产生的衍生指标的计算及参数设置

混淆矩阵是评估分类模型性能的一种常用工具。它通过比较实际观测值和模型预测值的对应关系，将分类结果进行可视化和统计总结。除了常见的准确率、精确率和召回率等指标，我们还可以基于混淆矩阵计算一些衍生指标，来更全面地评估模型的性能。本文将介绍如何使用R语言计算基于混淆矩阵产生的衍生指标，并提供相应的源代码。

首先，我们需要创建一个混淆矩阵。假设我们有一个二分类模型，其中正类别为1，负类别为0。混淆矩阵的四个元素分别表示真正例（True Positive, TP）、假正例（False Positive, FP）、真反例（True Negative, TN）和假反例（False Negative, FN）。可以通过以下代码创建混淆矩阵：

actual <- c(1, 1, 0, 1, 0, 0, 1)
predicted <- c(1, 0, 0, 1, 0, 1, 1)

confusion_matrix <- table(actual, predicted)

接下来，我们可以使用混淆矩阵来计算一些衍生指标。

1. 准确率（Accuracy）：准确率表示模型正确预测的样本比例，可以通过以下代码计算：