从混淆矩阵计算多类分类的真正值
是一种评估多类分类模型性能的方法。混淆矩阵是一个二维矩阵，用于表示分类模型的预测结果与真实标签之间的关系。在多类分类问题中，混淆矩阵的行表示真实标签，列表示模型的预测结果。
混淆矩阵的四个基本指标如下：
- 真正值（True Positive，TP）：表示模型正确地将一个样本预测为正类。
- 假负值（False Negative，FN）：表示模型错误地将一个正类样本预测为负类。
- 假正值（False Positive，FP）：表示模型错误地将一个负类样本预测为正类。
- 真负值（True Negative，TN）：表示模型正确地将一个样本预测为负类。
通过混淆矩阵中的这些指标，可以计算出多类分类的一些评估指标，如准确率、召回率、精确率和F1值等。
- 准确率（Accuracy）：表示模型正确预测的样本数占总样本数的比例，计算公式为 (TP + TN) / (TP + TN + FP + FN)。
- 召回率（Recall）：表示模型正确预测为正类的样本数占真实正类样本数的比例，计算公式为 TP / (TP + FN)。
- 精确率（Precision）：表示模型正确预测为正类的样本数占预测为正类的样本数的比例，计算公式为 TP / (TP + FP)。
- F1值（F1-Score）：综合考虑了精确率和召回率，是精确率和召回率的调和平均值，计算公式为 2 * (Precision * Recall) / (Precision + Recall)。
在云计算领域，混淆矩阵计算多类分类的真正值可以用于评估云计算平台提供的多类分类服务的性能。腾讯云提供了丰富的人工智能服务，其中包括图像识别、语音识别、自然语言处理等多类分类任务。通过计算混淆矩阵中的指标，可以评估腾讯云人工智能服务在多类分类任务上的准确性和可靠性。
推荐的腾讯云相关产品：腾讯云人工智能（AI）服务
产品介绍链接地址：https://cloud.tencent.com/product/ai
相关·内容
1回答
混淆矩阵
classification、confusion-matrix
我对如何表示混淆矩阵感到困惑--在哪里放置FP和FN。Link1和Link2在二值分类中表现出不同的混淆矩阵。行表示实际值，列表示预测值。根据我的理解，正确的混淆矩阵应该是：
| Pred Neg| Pred Pos
|___________________
Actual Negative(class0) | TN | FP
------------------ |-------------
Actual Positive(Class1) | FN | TP
其中TN
浏览 0提问于2020-06-29得票数 2
回答已采纳
1回答
在Flair中解释training.log (Zalando Research)
python、word-embedding
我使用Flair库是为了看看微调(单独实现)和嵌入投影之间是否有很大的差异(就结果而言)。我面临的问题涉及到读取结果(在本例中，实验是使用BERT嵌入完成的)。在training.log中，我得到了这个： 2019-10-10 16:27:02,964 Testing using best model ...
2019-10-10 16:27:02,966 loading file best-model.pt
2019-10-10 16:37:23,793 0.7539 0.7539 0.7539
2019-10-10 16:37:23,795
MICRO_AVG: acc 0.6
浏览 15提问于2019-10-11得票数 0
回答已采纳
1回答
了解二进制分类器的精度和召回结果
python、machine-learning、precision-recall
我知道机器学习中的精确度和召回率之间的区别。一种是对假阳性进行优化，另一种是对假阴性进行优化。在统计学中，它被称为对类型I或类型II错误的优化。
然而，我很困惑在什么情况下可以得到完全相反的精确度和召回率？比如精度=1和Recall=0？
让我重复一下：
precision = true positives / (true positives + false positives)
recall = true positives / (true positives + false negatives)
这是混淆矩阵
predicted
(+) (-)
浏览 3提问于2017-06-05得票数 1
1回答
用于计算精确性、准确性和召回性、类分解问题的决策树
deep-learning、data-mining、data
我正在创建决策树建模数据，如下所示。
pelvic_radius degree_spondylolisthesis class
82.45603817 41.6854736 Abnormal
114.365845 -0.421010392 Normal
完成后，我通过树运行测试数据，并将运行的输出与给定的输出进行比较。这将允许我检查我的准确性、精确性和回忆值。
TP = 0; % True Positives
TN = 0; % True Negatives
FP = 0; % False Positives
FN = 0; % False
浏览 0提问于2018-01-28得票数 5
回答已采纳
2回答
精确性、召回性及其在不平衡问题中的重要性
machine-learning、classification、class-imbalance、metric、confusion-matrix
我有测试数据集。数据集是不平衡的数据集。数据集的培训实例总数为543个，其中少数类(是)为75个，多数类(编号)为468个。兴趣的阶级是少数人阶级(是的)。我使用朴素贝叶斯分类器进行预测。我得到的混乱矩阵
TP TN FP FN
33 391 77 42
No class的实例总数为468，分类器真正将391个实例预测为负值。然而，分类器预测的总否定类为391+42 = 433，这些42个假负数实际上是正类，而分类器则将其预测为负数。这个解释我说得对吗？
其次，分类器预测了33个实例为真正。然而，正类TP+FP = 33+77 = 110的总预测。现在这些假阳性实际上是负的类
浏览 0提问于2022-09-10得票数 3
回答已采纳
3回答
Keras 2.3.0指标准确率、精确度和召回率的价值相同
python、tensorflow、keras、metrics、precision-recall
我试图获得keras的准确率、精确度和召回率指标，但这三个指标都显示出相同的值，这实际上就是准确率。
我使用的是TensorFlow文档示例中提供的指标列表：
metrics = [keras.metrics.TruePositives(name='tp'),
keras.metrics.FalsePositives(name='fp'),
keras.metrics.TrueNegatives(name='tn'),
keras.metrics.FalseNegatives(na
浏览 17提问于2020-05-16得票数 5
2回答
高精度支持向量机分类
machine-learning、classification、svm、libsvm
我有一个二进制分类问题，我试图得到我的分类器的精确召回曲线。我使用libsvm与RBF核和概率估计选项。
为了得到曲线，我将决策阈值从0改为1，步骤为0.1。但是每次运行时，即使召回率随着阈值的增加而降低，我也会得到很高的准确率。与真阳性相比，我的假阳性率似乎总是很低。
我的结果是：
Threshold: 0.1
TOTAL TP:393, FP:1, FN: 49
Precision:0.997462, Recall: 0.889140
Threshold: 0.2
TOTAL TP:393, FP:5, FN: 70
Precision:0.987437, Recall: 0.84881
浏览 8提问于2016-03-27得票数 0
1回答
如何计算检测分类系统的性能？
accuracy、performance
我只使用yolo (y)来检测一个对象，使用一个多分类器(mc)对该对象进行分类。现在，问题是:如果我想计算整个系统的准确性、精确性和召回性，我与yolo的假阳性和假阴性有什么关系？
现在我正在计算整体精度，如下所示：
acc = (tp_mc + tn_mc) / (tp_mc + tn_mc + fp_mc + fn_mc + fn_y + fp_y)
为了计算精确性和回忆性，我对mc的每一个类都这样做：
precision_i = tp_mc_i / (tp_mc_i + fp_mc_i + fp_y_i)
recall_i = tp_mc_i / (tp_mc_i + fn_mc_i
浏览 0提问于2021-07-28得票数 1
回答已采纳
1回答
在Keras中计算多个类的准确性的正确方法是什么？
python、tensorflow、machine-learning、keras
我试图使用Keras来评估多类问题上机器学习模型的性能。地面真理和模型的预测都在标签上。虽然从keras.metrics.Accuracy创建实例并使用实例来计算精确度相当容易，但对于精确性似乎还有另一个定义。我对这些定义感到困惑。
假设有五个类标记为0、1、2、3、4，并且有四个样本。基本的真理标签是yt = [[1], [2], [3], [4]]，预测是yp = [[0], [2], [3], [4]]。然后，使用下面的代码来计算精确度是很简单的：
m = keras.metrics.Accuracy()
accuracy = m(yt, yp).numpy()
这是因为每4个样本中就有
浏览 6提问于2022-08-23得票数 0
1回答
查准率和召回率之间是如何成反比关系的？
data-mining、confusion-matrix、classifier
我知道什么？首先，
Precision= \frac{TP}{TP+FP}
Recall=\frac{TP}{TP+FN}
什么书说的？
一种宣称每一张记录都具有高召回率但精度低的模型。
据我所知，如果预测的阳性值很高，精度就会很低。但怎样才能回忆起高，如果预测积极是高的。
一种为训练集中的一个阳性记录指定一个阳性类的模型具有很高的查准率，但召回率很低。
我无法正确理解精确性与回忆之间是怎样的反比关系。
这是我找到的一个文档，但是我也无法从这个文档中理解它。
https://www.creighton.edu/fileadmin/user/HSL/docs/ref/Searching_-_召回
浏览 0提问于2021-07-02得票数 0
回答已采纳
2回答
怎样才能解释为什么F1评分要高得多呢？
machine-learning、neural-network、deep-learning、classification、keras
我正在构建一个二进制分类器，它使用Keras对数值数据进行分类。
我的数据集中有6992个数据点。测试集占数据的30%。验证集占训练集的30%。
在评估模型时，我得到以下值：
recall: 0.8914240755310779
precision: 0.7006802721088435
f1_score: 0.7846260387811634
accuracy_score: 0.7035271816800843
为什么accuracy_score比F1的分数低10%？
下面是我用来评估模型的代码：
print('recall: ', recall_score(Y_te
浏览 0提问于2019-01-18得票数 4
回答已采纳
1回答
宏微F1
python-2.7、machine-learning、scikit-learn
我有一个二进制分类问题，由于数据不平衡，我试图计算宏/微F1。我认为这可以使用Sickitlearn完成，但是在检查了文档之后，似乎当分类是二进制的时候，计算将只针对正数类。正因为如此，我正试图计算我自己。首先，我使用以下函数计算TP、TN、FP、FN：
def calculate(y_actual, y_pred):
TP = 0
FP = 0
TN = 0
FN = 0
for i in range(len(y_pred)):
if y_actual[i]==y_pred[i]==1: # true positive
浏览 0提问于2016-06-23得票数 2
回答已采纳
4回答
是否有用Matlab计算精度和回忆的功能？
matlab、knn、confusion-matrix、precision-recall
在matlab中对分类器的查准率和查全率的计算存在问题。我使用fisherIris数据(包括150个数据点、50-setosa、50-versicolor、50-virginica)。我使用kNN算法进行分类。这是我的混淆矩阵：
50 0 0
0 48 2
0 4 46
分类正确率为96% (144/150)，但如何利用matlab进行精确计算和回忆，有什么功能吗？我知道精度=tp/(tp+fp)和recall=tp/(tp+fn)的公式，但我无法识别组件。例如，我是否可以说，真正的正数是矩阵中的144？假阳性和假阴性怎么办？救命啊！我真的很感激
浏览 11提问于2014-04-07得票数 9
回答已采纳
1回答
如何从Scikit学习中获得多类分类的特异性和阴性预测值？
python-3.x、machine-learning、scikit-learn、reporting、precision-recall
目前，科学知识的默认分类报告(sklearn.metrics.classification_report - )不包括特异性和阴性预测值.
因此，我建立了自己的分类报告功能：
def custom_classification_report(y_true, y_pred):
tp, fn, fp, tn = confusion_matrix(y_true, y_pred).ravel()
acc = (tp+tn)/(tp+tn+fp+fn)
sen = (tp)/(tp+fn)
sp = (tn)/(tn+fp)
ppv = (tp)/(tp+fp)
浏览 1提问于2020-08-21得票数 1
2回答
如何评价xgboost分类模型的稳定性
python、machine-learning、xgboost、gradient-descent、supervised-learning
我有：
Python分类模型Weekly数据集(分类的基础)自2018年开始。每个数据集都有大约10万行和70列，(features).weekly预测结果通过xgboost模型(使用逻辑回归)以格式在数据集上进行。
- date of modelling
- items
- test_auc_mean for each item (in percentage).
自2018年1月以来，总共有100个数据集和100个prediction_results。
为了评估模型，我使用了以下度量标准：
-auc
-confusion矩阵
-accuracy
param = {
'num_
浏览 1提问于2019-10-08得票数 2
回答已采纳
3回答
如何解释scikit的学习混淆矩阵和分类报告？
machine-learning、nlp、scikit-learn、svm、confusion-matrix
我有一个情感分析任务，对于这个，我的观点有5个类别(very neg，neg，neu，pos，very pos)，从1到5。所以我做了如下分类：
from sklearn.feature_extraction.text import TfidfVectorizer
import numpy as np
tfidf_vect= TfidfVectorizer(use_idf=True, smooth_idf=True,
sublinear_tf=False, ngram_range=(2,2))
from sklearn.cross_val
浏览 1提问于2015-06-10得票数 33
回答已采纳
1回答
回忆在两类分类任务中有意义吗？
machine-learning、classification、precision-recall
我知道Recall= TP/ (TP+FN)
假设我考虑分类器的不同上下文的召回值。在一个上下文中，我将classA作为我的积极类，将classB作为我的负面类。在另一个上下文中，我将classA作为我的负面类，将classB作为我的正面类。
在这些上下文中，让R1和R2值成为回调值
R1=TP1/(TP1+FN1)
R2=TP2/(TP2+FN2)
But TP2=FN1 and FN2=TP1
So R2=FN1/(TP1+FN1)
So R1+R2=1
这个论点有什么问题吗?我觉得有问题，因为我看到分类器正在使用recall进行评估。
同样，如果我被要求计算分类器的召回率，它是R1还是R
浏览 0提问于2016-11-08得票数 0
1回答
如何在Python中计算多类分类的准确率，FPR，FNR的平均值？
python、machine-learning、multiclass-classification
我正在使用python进行多类分类(4个类)。为了分别获得每个类的结果，我使用了以下代码：
from sklearn.metrics import confusion_matrix
cm = confusion_matrix(y_test, y_pred)
cnf_matrix = cm
FP = cnf_matrix.sum(axis=0) - np.diag(cnf_matrix)
FN = cnf_matrix.sum(axis=1) - np.diag(cnf_matrix)
TP = np.diag(cnf_matrix)
TN = cnf_matrix.sum() - (FP
浏览 2提问于2019-05-11得票数 2
1回答
在相同数据或不同数据中进行测试和训练
machine-learning、classification、naivebayes
我有两个类别的数据集，我用来分类它的朴素贝叶斯分类器。首先:在我得到的相同数据中训练和测试分类器：
Accuracy: 71.1262
False negative rate: FN/FN+TP = FN/P= 284/295 = 0.840
False positive rate: FP/FP+TN = FP/N = 93/886 = 0.104
Sensitivity: Recall:True positive rate: TP/TP+FN = TP/P = 0.1593
Specificity: True negative rate: TN/TN+FP = TN/N = 0.
浏览 20提问于2016-09-03得票数 0
1回答
4/96不平衡但.95以上的所有指标
machine-learning、class-imbalance、f1score
我正在处理一些严重不平衡的数据集，其中我的1类在二进制分类问题中占数据的4%。我有大约1000万行，并开发了一个在accuracy_score、precision_score、recall_score、f1_score、roc_auc_score中输出+.95的模型。我一直听说，数据需要平衡，否则，模型将偏向0类。在模型具有良好的f1的情况下，情况仍然是这样吗？在我的问题上，我该怎么办？
浏览 0提问于2022-12-18得票数 1
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
活动推荐
腾讯云开发者
