
混淆矩阵(confusion matrix),又被叫做错误矩阵(error matrix)。矩阵的每一列代表分类器对于样本的类别预测,矩阵的每一行代表版本所属的真实类别。
’混淆矩阵‘这个名字来源于,它能够很容易的看到机器学习是否将样本的类别给混淆了(也就是一个class被预测成另一个class)。
混淆矩阵就是为了进一步分析性能而对该算法测试结果做出的总结,现在假设有一个用来对猫(cats)、狗(dogs)、兔子(rabbits)进行分类的系统,共有 27 个动物样本:8只猫, 6条狗, 13只兔子。混淆矩阵如下图:
在预测分析中,混淆矩阵,表现为由false positives,false negatives,true positives和true negatives而组成的两行两列的表格。它允许我们做出除了正确率之外的,更多的分析。
说明一下概念:
真阳性,即 True Positive(TP): 真实为0.预测也为0
真阴性,即 False Negative(FN): 真实为0.预测为1
假阳性 ,即False Positive(FP): 真实为1.预测为0
假阴性,即 True Negative(TN): 真实为1.预测也为1
混淆矩阵延伸出的各个评价指标:
1.正确率(Accuracy):被正确分类的样本比例或数量
Accuracy=(TP+TN)/Total
2.错误率(Misclassification/Error Rate):被错误分类的样本比例或数量
Misclassification/Error Rate)=(FP+FN)/Total
3.真阳率(True Positive Rate)也叫敏感度(sensitivity)或召回率(recall):分类器预测为正例的样本占实际正例样本数量的比例,描述了分类器对正例类别的敏感程度。
True Positive Rate=TP/ actual yes
4.假阳率(False Positive Rate):分类器预测为正例的样本占实际负例样本数量的比例。
False Positive Rate=FP/actual no
5.特异性(Specificity):真实为1的准确率
Specificity=TN/actual no
6. 精度(Precision):在所有判别为正例的结果中,真正正例所占的比例,即预测为0的准确率。
Precision=TP/predicted yes
7.流行程度(Prevalence):正例在样本中所占比例。
Prevalence=Actual Yes/Total
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
CDA 数据分析师报考条件详解与准备指南 在数据驱动决策的时代浪潮下,CDA 数据分析师认证愈发受到瞩目,成为众多有志投身数 ...
2025-07-18刚入职场或是在职场正面临岗位替代、技能更新、人机协作等焦虑的打工人,想要找到一条破解职场焦虑和升职瓶颈的系统化学习提升 ...
2025-07-182025被称为“AI元年”,而AI,与数据密不可分。网易公司创始人丁磊在《AI思维:从数据中创造价值的炼金术 ...
2025-07-18CDA 数据分析师:数据时代的价值挖掘者 在大数据席卷全球的今天,数据已成为企业核心竞争力的重要组成部分。从海量数据中提取有 ...
2025-07-18SPSS 赋值后数据不显示?原因排查与解决指南 在 SPSS( Statistical Package for the Social Sciences)数据分析过程中,变量 ...
2025-07-18在 DBeaver 中利用 MySQL 实现表数据同步操作指南 在数据库管理工作中,将一张表的数据同步到另一张表是常见需求,这有助于 ...
2025-07-18数据分析师的技能图谱:从数据到价值的桥梁 在数据驱动决策的时代,数据分析师如同 “数据翻译官”,将冰冷的数字转化为清晰的 ...
2025-07-17Pandas 写入指定行数据:数据精细化管理的核心技能 在数据处理的日常工作中,我们常常需要面对这样的场景:在庞大的数据集里精 ...
2025-07-17解码 CDA:数据时代的通行证 在数字化浪潮席卷全球的今天,当企业决策者盯着屏幕上跳动的数据曲线寻找增长密码,当科研人员在 ...
2025-07-17CDA 精益业务数据分析:数据驱动业务增长的实战方法论 在企业数字化转型的浪潮中,“数据分析” 已从 “加分项” 成为 “必修课 ...
2025-07-16MySQL 中 ADD KEY 与 ADD INDEX 详解:用法、差异与优化实践 在 MySQL 数据库表结构设计中,索引是提升查询性能的核心手段。无论 ...
2025-07-16解析 MySQL Update 语句中 “query end” 状态:含义、成因与优化指南 在 MySQL 数据库的日常运维与开发中,开发者和 DBA 常会 ...
2025-07-16如何考取数据分析师证书:以 CDA 为例 在数字化浪潮席卷各行各业的当下,数据分析师已然成为企业挖掘数据价值、驱动决策的 ...
2025-07-15CDA 精益业务数据分析:驱动企业高效决策的核心引擎 在数字经济时代,企业面临着前所未有的数据洪流,如何从海量数据中提取有 ...
2025-07-15MySQL 无外键关联表的 JOIN 实战:数据整合的灵活之道 在 MySQL 数据库的日常操作中,我们经常会遇到需要整合多张表数据的场景 ...
2025-07-15Python Pandas:数据科学的瑞士军刀 在数据驱动的时代,面对海量、复杂的数据,如何高效地进行处理、分析和挖掘成为关键。 ...
2025-07-15用 SQL 生成逆向回滚 SQL:数据操作的 “后悔药” 指南 在数据库操作中,误删数据、错改字段或误执行批量更新等问题时有发生。 ...
2025-07-14t检验与Wilcoxon检验的选择:何时用t.test,何时用wilcox.test? t 检验与 Wilcoxon 检验的选择:何时用 t.test,何时用 wilcox. ...
2025-07-14AI 浪潮下的生存与进阶: CDA数据分析师—开启新时代职业生涯的钥匙(深度研究报告、发展指导白皮书) 发布机构:CDA数据科 ...
2025-07-13LSTM 模型输入长度选择技巧:提升序列建模效能的关键 在循环神经网络(RNN)家族中,长短期记忆网络(LSTM)凭借其解决长序列 ...
2025-07-11