理解机器学习中的混淆矩阵-优快云博客

本文链接：https://blog.youkuaiyun.com/pydby01/article/details/122263787

混淆矩阵是评估机器学习算法性能的重要工具，特别是在监督学习中。它显示了预测类别的实例与实际类别的对应关系。文章介绍了二类和多类案例下的混淆矩阵，并通过实例解释了准确率、真阳性率、真阴性率、召回率等关键性能指标。此外，还讨论了如何在Python中计算这些指标。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

混淆矩阵作为带有动物的图像

在我们的机器学习教程（前面的章节Python和NumPy的神经网络和神经网络从头开始），我们实现的各种算法，但是我们没有正确地测量输出的质量。主要原因是我们使用非常简单的小数据集来学习和测试。在Neural Network: Testing with MNIST一章中，我们将使用大型数据集和 10 个类，因此我们需要适当的评估工具。本章我们将介绍混淆矩阵的概念：

甲混淆矩阵是可用于测量机器学习算法的性能的矩阵（表），通常是一个监督学习一个。混淆矩阵的每一行代表一个实际类的实例，每一列代表一个预测类的实例。这是我们在教程的这一章中保留它的方式，但也可以是相反的方式，即预测类的行和实际类的列。名称混淆矩阵反映了这样一个事实，即它让我们很容易看到我们的分类算法中发生了什么样的混淆。例如，算法应该将样本预测为C一世因为实际的类是 C一世，但算法出来了 Cj. 在这种错误标记元素的情况下C米[一世,j] 构造混淆矩阵时，将增加 1。

我们将在以下课程中定义计算混淆矩阵、精度和召回率的方法。