实际上,我正在研究specificity
和sensitivity
。我得计算混乱矩阵。但我不知道怎么算。预测IO模型的输出可分为正、负、中性三大类。当我的输出有两个以上的类时,谁能告诉我如何计算混淆矩阵。这可能是个愚蠢的问题,所以请指导我如何实现我的目标。
Sensitivity = ( no of true positive)/ ((no of true positive)+(no of false negative))
或
Sensitivity = ( no of true positive)/ ((no of true positive)+(no of false negative)+(no of false neutral))
我该用哪一种来提高敏感度
谢谢。
发布于 2015-11-03 06:11:02
“肯定”和“否定”这两个词只有在二项式分类器中才有意义--真正的积极是当你得到正确的“是的,这个属于这里”,而当你正确地得到“不,这不属于这个范畴”时,一个真正的否定。所以只能有两类,或者实际上只有一种,以及它的补充。所有不属于这个范畴的东西都是负面的。然后混乱矩阵如下所示:
P N
P 7 3
N 2 9
所以在这个例子中,你有7个正数和9个正数。如果分类器对阴性样本返回阳性,则有2个假阳性;同样,有3个假阴性。
不过,这可以推广到一个多项式混淆矩阵。只要在矩阵中添加更多的单元格,就可以为每一个组合腾出空间。
A B C
A 7 6 2
B - 19 1
C 3 9 7
从另一个角度看,你得到了分类器的结果。下面,你得到了每个样本的实际类别。所以你在对角线上有7个“真A",19个”真B“和7个”真C“,其余的都被混淆了-- 1”假C“应该是B,9”假B“应该是C,等等。
https://stackoverflow.com/questions/33492346
复制相似问题