本文介绍了混淆矩阵在评估机器学习模型性能中的应用，重点讲解了精准率、召回率和F1分数的概念，并通过癌症分类案例展示了如何计算这些指标。文章还概述了机器学习流程中的数据处理、特征工程以及逻辑回归模型的使用。
1.混淆矩阵
混淆矩阵作用就是看一看在测试集样本集中：
- 真实值是 正例 的样本中，被分类为 正例 的样本数量有多少，这部分样本叫做真正例（TP，True Positive），预测为真，实际为真
- 真实值是 正例 的样本中，被分类为 假例 的样本数量有多少，这部分样本叫做伪反例（FN，False Negative），预测为假，实际为真
- 真实值是 假例 的样本中，被分类为 正例 的样本数量有多少，这部分样本叫做伪正例（FP，False Positive），预测为真，实际为家
- 真实值是 假例 的样本中，被分类为 假例 的样本数量有多少，这部分样本叫做真反例（TN，True Negative），预测为假，实际为假
True Positive ：表示样本真实的类别 Positive ：表示样本被预测为的类别
例子：
样本集中有 6 个恶性肿瘤样本，4 个良性肿瘤样本，我们假设恶性肿瘤为正例&#x
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
