8、分类器性能评估指标详解

分类器性能评估指标详解

1. 混淆矩阵基础

在分析分类器性能时，混淆矩阵是一个重要工具。查看混淆矩阵时，要注意标签，确保了解每个格子代表的含义。下面是一个混淆矩阵的示例：
| | 预测正类 | 预测负类 |
| — | — | — |
| 实际正类 | TP = 6 | FN = 4 |
| 实际负类 | FP = 2 | TN = 8 |

通过这个矩阵，我们可以清晰地看到分类器在不同情况下的分类结果。

2. 错误预测的特征分析

不同的错误预测在不同场景下的影响不同。以下通过两个例子来说明：
- 玩具公司场景一 ：某玩具公司生产热门电视角色的玩具，突然失去了销售“Glasses McGlassface”角色玩具的权利。若误将该角色玩具发货，公司会被起诉。因此，公司决定在生产后挑出该角色玩具进行回收。在这个过程中，可能会出现误将非该角色玩具当作该角色玩具回收的情况，这就是假阳性（False Positive）。但这种错误的代价相对较小，因为可以将塑料融化再利用，只要能确保所有“Glasses McGlassface”玩具被正确识别并移除即可。
- 玩具公司场景二 ：后来发现部分玩具眼睛涂装不当，给孩子没有眼睛的玩具可能会造成心理创伤，所以要找出所有眼睛涂装不当的玩具。此时可能会出现将眼睛正常的玩具误判为眼睛涂装不当的情况，这是假阴性（False Negative）。在这种情况