analytics - 如何计算真阳性、真阴性、假阳性和假阴性

Question

实际上我正在研究specificity和sensitivity。我必须计算混淆矩阵。但我不知道如何计算。预测 IO 模型的输出分为正面、负面和中性 3 类。当我的输出超过 2 个类时，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))

或者

Sensitivity = ( no of true positive)/ ((no of true positive)+(no of false negative)+(no of false neutral))

我应该用哪个来敏感

谢谢。

score 1 · Accepted Answer

术语“肯定”和“否定”仅对二项式分类器有意义——真正的肯定是当你得到正确的“是的，这属于这里”时，真正的否定是当你正确得到“不，这不属于”时到类别”。所以只能有两个类别，或者实际上只有一个，以及它的补充。不属于该类别的所有内容都是否定的。那么混淆矩阵是这样的：

   P   N
P  7   3
N  2   9

所以在这个例子中，你有 7 个真阳性和 9 个真阴性。如果分类器对负样本返回正面，则有 2 个误报；同样，有 3 个假阴性。

不过，这可以推广到多项混淆矩阵。只需将更多单元格添加到矩阵中，为每个组合腾出空间。

    A    B    C
A   7    6    2
B   -   19    1
C   3    9    7

对面，你有分类器的结果。下来，你有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”，而其他人则感到困惑——1 个“假 C”应该是 B，9 个“假 B”应该是 C 等等。

1 回答 1