matlab用confusionmat计算SE, SP, F1 score

原创最新推荐文章于 2026-06-15 11:32:30 发布 7.4k 阅读 AI写同款

收录于

图像

蓝羽飞鸟

码龄8年墨衍会员 · AI 创作全网分发

1万+粉丝727篇原创

关注

使用matlab绘制混淆矩阵函数并传入实际标签和预测标签向量作为参数。函数的返回值是一个包含了混淆矩阵的矩阵。函数来计算和绘制混淆矩阵。下面是一个基本的示例代码，展示了如何使用。等函数来设置标题和坐标轴标签，使图表更加清晰易读。请确保在运行此代码之前，你已经将实际标签和预测标签保存在名为。的向量中，并将它们的值根据实际情况进行了相应的替换。然后，我们使用MATLAB的图形功能绘制混淆矩阵。函数添加颜色条，可以帮助解释混淆矩阵中的数据。在上述代码中，我们首先计算了混淆矩阵，使用。函数用于绘制矩阵，使用混淆矩阵。阅读详情

AI摘要

本文详细解释了Matlab中confusionmat函数的使用方法，包括如何通过混淆矩阵计算精度、召回率、F1分数等关键指标，适用于多分类及二分类问题。

matlab里有个confusionmat函数
接口是这样的

M = confusionmat(true_label,predict_label)

M计算出来是下面这样
比如第一个class airplane吧，923意思是true class是airplane, 而我们预测的label也是airplane的个数
而第一行第二列的4就表示true class是airplane, 而我们预测的label是automobile的个数是4
在这里插入图片描述
那么就相当于对角线上蓝色背景的都是预测对的

如果是2分类的情况，true class是0,1，假设1是positive
那么TP的个数就是M(2,2)
SE 即TPR= TP / (TP+FN) , 同时也是recall (TPR: true positive rate)
SP 即TNR= TN / (TN+FP) (TNR: true negative rate)

F1 score = 2 * (precision * recall) / (precision + recall)
precision = TP / (TP + FP), 即PPV(positive predictive value)

function [score, TPR, TNR] = f1_score(label, predict)
   M = confusionmat(label, predict);
   #以下两行为二分类时用
   TPR = M(2,2) / (M(2,1) + M(2,2)); #SE: TP/(TP+FN)
   TNR = M(1,1) / (M(1,1) + M(1,2)); #SP: TN/(TN+FP)
   #转置，可以不转同时调换方向
   M = M';
   precision = diag(M)./(sum(M,2) + 0.0001);  #按列求和: TP/(TP+FP)
   recall = diag(M)./(sum(M,1)+0.0001)'; #按行求和: TP/(TP+FN)
   precision = mean(precision);
   recall = mean(recall);
   score = 2*precision*recall/(precision + recall);
end