混淆矩阵-召回率、精确率、准确率

本文主要是介绍混淆矩阵-召回率、精确率、准确率，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

混淆矩阵

1 混淆矩阵
2 混淆矩阵指标
- 2.1 准确率
- 2.2 精确率
- 2.3 召回率
- 2.4 特异度
- 2.4 假正率
- 2.5 假负率
- 2.6 F1 分数
3 总结

1 混淆矩阵

混淆矩阵是一种用于评估分类模型性能的重要工具。它通过矩阵形式清晰地展示了模型对样本进行分类的结果，帮助我们理解模型在不同类别上的表现。

————	预测为正类	预测为负类
实际为正类	True Positive (TP)	False Negative (FN)
实际为负类	False Positive (FP)	True Negative (TN)

True Positive (TP): 模型将实际为正类别的样本正确预测为正类别。
False Negative (FN): 模型将实际为正类别的样本错误预测为负类别。
False Positive (FP): 模型将实际为负类别的样本错误预测为正类别。
True Negative (TN): 模型将实际为负类别的样本正确预测为负类别。

通过上述指标，可以计算出一系列性能指标，例如准确率、精确率、召回率和F1分数。这些指标帮助我们量化模型的分类准确性、可靠性和全面性。

注意：混淆矩阵的目的是帮助理解分类模型在不同类别上的表现,即只要是分类模型，可以考虑利用混淆矩阵，例如医学领域中，判断病人是否有某种疾病

2 混淆矩阵指标

2.1 准确率

准确率表示模型正确分类的样本占总样本数的比例，计算方式为：
$准确率（Accuracy）=\frac{TP+TN}{TP+TN+FP+FN}$
如下图所示：

准确率可以判断总的正确率，但有如下缺点：

在样本不平衡的情况下，并不能作为很好的指标来衡量结果。例如在一个样本中，正样本占99%，负样本占1%，样本是严重不平衡的，无论什么算法，只需要将全部样本预测为正样本即可有99％的准确率，这体现不出算法的性能

2.2 精确率

精确率又叫查准率。精确率表示所有被预测为正的样本中实际为正的样本的概率，它是针对预测结果而言的，计算方式为：
$精确率（Precision）=\frac{TP}{TP+FP}$
如下图所示：

准确率和精确率的区别如下：

精准率代表对预测的正样本结果中的预测准确程度
准确率则代表整体的预测准确程度

2.3 召回率

召回率，也称为 True Positive Rate (TPR) 或灵敏度或查全率，它表示在实际为正的样本中被正确预测为正样本的概率，它是针对原样本而言的，计算公式如下：
$召回率（TPR）=\frac{TP}{TP+FN}$
如下图所示：

召回率的应用场景：例如银行贷款等，将无信用的用户设定为正样本，这就需要保证召回率要足够高。如果召回率过低，就会把无信用用户预测为有信用用户，这样会造成严重损失。

2.4 特异度

特异度，也称为 True Negative Rate (TNR)，它表示在实际为负的样本中被正确预测为负样本的概率，它是针对原样本而言的，计算公式如下：
$特异度（TNR）=\frac{TN}{TN+FP}$
如下图所示：

特异度的应用场景：例如银行贷款等，将无信用的用户设定为负样本，这就需要保证召回率要足够高。如果召回率过低，就会把无信用用户预测为有信用用户，这样会造成严重损失。