Binary classification 二分类和混淆矩阵的概念

最新推荐文章于 2025-10-30 14:19:33 发布
原创 最新推荐文章于 2025-10-30 14:19:33 发布 · 1.7w 阅读 · 15 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#二分类 #混淆矩阵 #数据分析

本文介绍了二分类的概念，包括FN、FP、TN和TP四种情况，并解释了如何记忆这些术语。此外，还讨论了查准率（Precision）和查全率（Recall）的计算方法，查准率是正确预测的正样本占比，查全率是实际正样本被正确预测的比例。

本文参考：http://www.cnblogs.com/rainduck/archive/2012/11/11/2765395.html

最近在coursera学习《Mastering Data Analysis in Excel》课程，第一周还很简单，第二周开始学习Binary classification，从没接触过的概念，又是英语授课，所以有点蒙了，赶紧网上补充学习下：

FN：False Negative,被判定为负样本，但事实上是正样本。

最低0.47元/天 解锁文章
R语言使用MASS包的qda函数拟合二次判别分析二分类模型（binary classification）、predict函数和训练好的二分类模型进行预测推理、输出多分类混淆矩阵
statistics+insight+vista+power
12-22 505
R语言使用MASS包的qda函数拟合二次判别分析二分类模型（binary classification）、predict函数和训练好的二分类模型进行预测推理、confusionMatrix函数输出多分类混淆矩阵（包含许多衍生指标、PPV、NPV、特异度、敏感度、p值等）
【机器学习】【深入浅出】混淆矩阵全解析：搞懂 TP、FP、TN、FN 与分类模型评估
weixin_41645791的博客
02-21 9237
本文以通俗易懂、幽默风趣的方式详细解析了混淆矩阵的定义、计算方法和实际作用。从二分类的四个核心指标——真正例（TP）、假阳性（FP）、真负例（TN）、假阴性（FN）出发，本文讲解了如何利用混淆矩阵评估模型性能，并进一步衍生出准确率、精确率、召回率和 F1-score 等关键指标。文章还通过医疗诊断等案例，展示了混淆矩阵如何帮助我们区分漏诊与误诊，并给出记忆技巧，助你快速掌握 TFPN 概念。喜欢本文的朋友请点赞、收藏、转发和关注我的博客，共同探索数据科学的魅力！
分类问题（二）混淆矩阵，Precision与Recall
01-20
混淆矩阵 衡量一个分类器性能的更好的办法是混淆矩阵。它基于的思想是：计算类别A被分类为类别B的次数。例如在查看分类器将图片5分类成图片3时，我们会看混淆矩阵的第5行以及第3列。 为了计算一个混淆矩阵，我们首先需要有一组预测值，之后再可以将它们与标注值（label）进行对比。我们也可以在测试集上做预测，但是最好是先不要动测试集（测试集仅需要在最后的阶段使用，在我们有了一个准备上线的分类器后，最后再用测试集测试性能）。接下来，我们可以使用cross_val_predict() 方法： from sklearn.model_selection import cross_val_predict y_t
二分类和混淆矩阵
pythondby的博客
12-12 9550
二值分类器（Binary Classifier）是机器学习领域中应用最为广泛的分类器之一。在二分类的应用场景下，我们可以根据真实类别和预测类别的不同组合，将样本划分为如下四类： 真正类（True Positive，简称 TP）：实际为正类，且被模型预测为正类的样本。 假正类（False Positive，简称 FP）：实际为负类，但被模型预测为正类的样本。 真负类（True Negative，简称 TN）：实际为负类，且被模型预测为负类的样本。 假负类（False Negative，简称 FN）：实
Scikit-learn混淆矩阵实战指南（从入门到精通必备）
最新发布
BreakNexus的博客
10-30 888
掌握模型评估核心技能，本文详解Scikit-learn混淆矩阵（confusion_matrix）绘制方法，涵盖分类任务应用场景、可视化步骤与结果解读技巧。支持多类别分析，提升模型诊断效率，实战实用，值得收藏。
一篇文章学会二分类评估器---混淆矩阵
qq_63119830的博客
08-26 3342
对于“ROC曲线”和“精度/召回率曲线”他们两者我们应该如何选择？1.如果正类非常的少见或者你更关注假正类，而不是假负类时，你应该选择“精度/召回率曲线”2.反之你应该选择“ROC曲线”
朴素贝叶斯 混淆矩阵，2分类下的混淆矩阵，精确率与召回率，F1-score
ck784101777的博客
07-25 8243
目录 1.混淆矩阵 2.精确率(Precision)与召回率(Recall) 3.F1-score 4.sklearn API接口 参考文档 1.混淆矩阵 混淆矩阵就是分别统计分类模型归错类，归对类的观测值个数，然后把结果放在一个表里展示出来。这个表就是混淆矩阵。 在分类任务中，预测结果与正确标记之间存在四种不同的组合，构成混淆矩阵，以下是二分类的混淆矩阵： 假设有一组数据集，一共有66个样本，三个目标值，猫、狗、猪。 混淆矩阵为： 关于这个混淆矩阵，从真实值为猫这一列开始看，代.
python机器学习 二分类 混淆矩阵_机器学习算法模型评估指标之混淆矩阵、PR曲线、AP实例详解...
weixin_35727440的博客
12-15 1502
混淆矩阵针对一个二分类问题，将实例分成正类(postive)或者负类(negative)。但是实际中分类时，会出现四种情况.若一个实例是正类并且被预测为正类，即为真正类(True Postive TP)若一个实例是正类，但是被预测成为负类，即为假负类(False Negative FN)，漏报。若一个实例是负类，但是被预测成为正类，即为假正类(False Postive FP)，错报。若一个实例是...
二分类与混淆矩阵
qiaoxyxj的博客
11-02 5805
二分类binary classification 规划矩阵confusion matrix用于比较实际情况与预测值 雷达识别 以雷达图中阴影大小打分，并按从大到小排序 在所有探测中，3次红色为轰炸机，17次为飞鸟 以80为阈值threshold的混淆矩阵： 以70为阈值的混淆矩阵： 患病概率 某种病在人群中的发病率为1%
二分类（binary classification）案例分析1
有朋自远方来，不亦乐乎。
03-02 1204
数据探索（DE）数据集共有905条记录，10列。其中，Type2有456个缺失值，其他列无缺失值。数据类型主要为数值型和类别型。数据分析（DA）身高与体重分布身高和体重的分布图显示数据呈右偏分布，部分宝可梦的身高和体重异常高。传说宝可梦的身高和体重分布较为集中，而非传说宝可梦分布较分散。相关性分析身高和体重与传说状态的相关性较弱，说明这些特征对分类的直接贡献有限。小提琴图小提琴图显示传说宝可梦的身高和体重分布更集中，而非传说宝可梦的分布更分散。特征工程（FE）缺失值处理使用。
二分类混淆矩阵
HJ33_的博客
10-02 5682
confusion matrix概念讲解代码实现绘制热点图 概念讲解 x = local_labels[idx] y = predicted[idx] x是原本的标签，y是预测的标签 首字母T,F，表示模型是否预测正确（T表示正确） 次字母N,P，表示原数据是阴性还是阳性（一般认为1是阳性） 代码实现 test_dataset = TensorDataset(Test_data, Test_label) test_cm_gen = DataLoader(test_dataset, batch_size=B
Binary classification
01-05
Binary classification ELM matlab Command: diabetes_mean
binaryClassification
06-25
binaryClassification
混淆矩阵计算（适用二分类）
08-05
在表格中输入二分类混淆矩阵值，可以自动的计算出OA、召回率、精确率、F1、Kappa系数。仅适用二分类，计算混淆矩阵
混淆矩阵 (Confusion Matrix)
大连赵哥的博客
07-26 558
混淆矩阵 (Confusion Matrix)
评估分类模型—混淆矩阵Confusion Matrix与评估指标
qq_44733706的博客
05-11 8479
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。
TensorFlow使用RNN生成文本
独孤东方朔的博客
11-10 2674
TensorFlow使用RNN生成文本 文章目录前言一、数据预处理二、构建模型训练模型生成文本看一下效果总结补充 前言 继续上一节的RNN进行文本分类，本节学习RNN生成文本 LSTM原理说明 一、数据预处理 数据预处理主要的过程有：加载文本数据，数据编码，构建DataSet,在DateSet里操作构建训练数据和目标数据，最后构建一个训练数据集和测试集（生成文本不用测试集合，因为生成的东西没有标准可以来判断，最多人来读一下评价评价。） import tensorflow as tf import
Logistic regression -binary classification
nl的博客
12-13 452
梯度下降公式推导：
xgboost，二分类混淆矩阵
03-20
### XGBoost 二分类中的混淆矩阵生成与解读 在机器学习领域，混淆矩阵是一个重要的工具，用于评估分类模型的性能。对于二分类问题，混淆矩阵通常由四个部分组成：真正类（True Positive, TP）、假正类（False Positive, FP）、真负类（True Negative, TN）以及假负类（False Negative, FN）。以下是关于如何在 XGBoost 中生成和解读混淆矩阵的具体说明。 #### 使用 Python 和 Scikit-Learn 实现混淆矩阵 为了生成混淆矩阵，可以借助 `scikit-learn` 库的功能来完成这一任务。以下是一段完整的代码示例： ```python import xgboost as xgb from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay import matplotlib.pyplot as plt # 假设已经划分好训练集和测试集 (X_train, y_train), (X_test, y_test) # 初始化并训练 XGBoost 模型 model = xgb.XGBClassifier() model.fit(X_train, y_train) # 对测试集进行预测 y_pred = model.predict(X_test) # 计算混淆矩阵 cm = confusion_matrix(y_test, y_pred) # 可视化混淆矩阵 disp = ConfusionMatrixDisplay(confusion_matrix=cm) disp.plot(cmap=plt.cm.Blues) plt.title('Confusion Matrix of XGBoost Binary Classification') plt.show() print("Confusion Matrix:") print(cm) ``` 上述代码展示了如何使用 `confusion_matrix()` 函数计算混淆矩阵，并通过 `ConfusionMatrixDisplay` 将其可视化[^3]。 #### 混淆矩阵的组成部分及其含义 混淆矩阵的核心在于理解以下几个指标： 1. **TP (True Positives)**: 被正确识别为正类的样本数量。 2. **FP (False Positives)**: 错误地被识别为正类的样本数量。 3. **TN (True Negatives)**: 被正确识别为负类的样本数量。 4. **FN (False Negatives)**: 错误地被识别为负类的样本数量。 这些值可以通过如下方式提取： ```python tn, fp, fn, tp = cm.ravel() print(f'TN: {tn}, FP: {fp}, FN: {fn}, TP: {tp}') ``` #### 性能指标的计算方法 基于混淆矩阵的结果，还可以进一步计算一些常用的性能指标，例如准确率、精确率、召回率和 F1 分数等。 1. **Accuracy (准确率)** 表示整体预测正确的比例。 \[ Accuracy = \frac{TP + TN}{TP + TN + FP + FN} \] 2. **Precision (精确率)** 表示实际为正类的比例。 \[ Precision = \frac{TP}{TP + FP} \] 3. **Recall (召回率)** 表示成功检测到的正类比例。 \[ Recall = \frac{TP}{TP + FN} \] 4. **F1 Score** 是精确率和召回率的加权平均。 \[ F1\text{-}Score = 2 \cdot \frac{\text{Precision} \cdot \text{Recall}}{\text{Precision} + \text{Recall}} \] 以上公式可以直接应用到混淆矩阵的数据中进行计算。 --- ### 示例输出解释 假设得到的混淆矩阵为： ``` [[90, 10], [5, 85]] ``` 则对应的各部分数值为： - \( TN = 90 \)，\( FP = 10 \) - \( FN = 5 \)，\( TP = 85 \) 由此可得： - 准确率为 \( \frac{90 + 85}{90 + 10 + 5 + 85} = 0.925 \) - 精确率为 \( \frac{85}{85 + 10} = 0.895 \) - 召回率为 \( \frac{85}{85 + 5} = 0.944 \) - F1 分数为 \( 2 \cdot \frac{0.895 \cdot 0.944}{0.895 + 0.944} = 0.919 \) ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值