混乱矩阵

基于已知真值的一组测试数据，可以使用混淆矩阵来评估分类器。它是一个简单的工具，有助于提供所用算法性能的良好视觉概览。

混淆矩阵表示为表格。在这个例子中，我们将查看二进制分类器的混淆矩阵。

在左侧，可以看到 Actual 类（标记为 YES 或 NO ），而 top 表示正在预测和输出的类（再次是 YES 或 NO ）。

这意味着 50 个测试实例（实际上是 NO 实例）被分类器正确标记为 NO 。这些被称为真阴性（TN） 。相反，100 个实际 YES 实例被分类器正确标记为 YES 实例。这些被称为真阳性（TP） 。

5 个实际的 YES 实例被分类器错误标记。这些被称为假阴性（FN） 。此外，10 个 NO 实例被分类器视为 YES 实例，因此这些是假阳性（FP） 。

基于这些 FP ， TP ， FN 和 TN ，我们可以得出进一步的结论。

• 真阳性率 ：

  • 试图回答： 当一个实例实际上是 YES ，多久没有分类预测是？
  • 可以如下计算： TP /#actual YES instances = 100/105 = 0.95

• 误报率 ：

  • 试图回答： 当一个实例实际上是 NO ，多久没有分类预测是？
  • 可以如下计算： FP /#实际 NO 实例= 10/60 = 0.17