【ML评估系列】混淆矩阵ROC绘制示例详解

【ML评估系列】混淆矩阵通透解释 ROC绘制示例详解–点击此处免费看

混淆矩阵

混淆矩阵（Confusion Matrix）是用于评估分类模型性能的一种表格形式。它基于模型的预测结果和真实标签，将样本分为四个不同的类别：真正例（True Positive, TP）、真负例（True Negative, TN）、假正例（False Positive, FP）和假负例（False Negative, FN）。以下是混淆矩阵的示意：

	预测为正例 §	预测为负例 (N)
实际为正例 §	True Positive (TP)	False Negative (FN)
实际为负例 (N)	False Positive (FP)	True Negative (TN)

各个术语的含义如下：

• 真正例（True Positive, TP）：模型正确地将正例样本预测为正例。
• 真负例（True Negative, TN）：模型正确地将负例样本预测为负例。
• 假正例（False Positive, FP）：模型错误地将负例样本预测为正例。
• 假负例（False Negative, FN）：模型错误地将正例样本预测为负例。

二分类指标

	预测为正例 §	预测为负例 (N)
实际为正例 §	True Positive (TP)	False Negative (FN)
实际为负例 (N)	False Positive (FP)	True Negative (TN)

混淆矩阵提供了对模型在不同类别上的性能进行详细的评估。通过分析混淆矩阵中的不同元素，可以计算出多个评估指标，如准确率、召回率、精确度和F1值等。例如，通过混淆矩阵可以计算以下指标：

1.准确率

分类正确的样本占总样本数量的比例，即
$$
Accuracy=(TP + TN) / (TP + TN + FP + FN)。

$$

2. 召回率

正例样本中被正确预测为正例的比例，即
$$Recall=TP/(TP+FN)$$

3. 精确度

模型预测为正例的样本中实际为正例的比例，即
$$Precision=TP/(TP+FP)$$

4. F1值

综合考虑了精确度和召回率的指标，即
F 1 S c o r e = 2 ∗ ( P r e c i s i o n ∗ R e c a l l ) / ( P r e c i s i o n + R e c a l l ) 。 F1 Score = 2 * (Precision * Recall) / (Precision + Recall)。