一、混淆矩阵
TP、True Positive 真阳性：预测为正，实际为正。
FP、False Positive 假阳性：预测为正，实际为负。
FN、False Negative 假阴性：预测为负、实际为正。
TN、True Negative 真阴性：预测为负、实际为负。
T、F代表的是预测的准确与否；P、N代表的是预测的阳性以及阴性。
预测为正样本（Positive）预测为负样本（Negative）
标签为正样本 TP (True Positive) FN (false Negative) 标签为负样本 FP (False Positive) TN (true Negative）
二、常见的二分类指标
- Accuracy（准确率/精度）：分类正确的样本个数占所有样本个数的比例。
Accuracy = T N + T P F P + T N + T P + F N \text { Accuracy }=\frac{T N+T P}{F P+T N+T P+F N}Accuracy =FP +TN +TP +FN TN +TP - Precision（精确率/查准率）：分类正确的正样本个数占分类器所有的【预测】正样本个数的比例。
Precisoin = T P T P + F P \text { Precisoin }=\frac{T P}{T P+F P}Precisoin =TP +FP TP
- Recall（召回率/查全率）/Sensitivity（灵敏度/敏感性）：分类正确的正样本个数占实际正样本个数的比例。
Recall = T P T P + F N \operatorname{Recall}=\frac{T P}{T P+F N}Recall =TP +FN TP
- Specificity（特异性）：分类正确的负样本个数占实际负样本个数的比例。
Specificity = T N T N + F P \text { Specificity }=\frac{T N}{T N+F P}Specificity =TN +FP TN
- F1-score：当类别不均衡，它或许是一个比单纯Accuracy更好的指标。
F 1 = 2 ∗ precision ∗ recall precision + recall F 1=\frac{2 * \text { precision } * \text { recall }}{\text { precision }+\text { recall }}F 1 =precision +recall 2 ∗precision ∗recall
医学疾病二分类中，一般0、neg代表正常/良性；1、pos代表恶性/癌症。
三、多分类中各个类别的Precision和Recall计算。
这里举一个五分类的例子，看一下下面的混淆矩阵。
首先理解混淆矩阵的元素含义，例如第一行第二个的”3″表示实际标签为类别0的预测成类别1的有3个样本。如何绘制混淆矩阵，参考利用python绘制混淆矩阵。
每个类别的 precision分别是 对角线元素除以该元素所在的 列元素之和；而 recall则是除以该类别所在 行元素之和。如：类别2的Precision_2=121/(9+6+121+3+8)；Recall_2=121/(4+13+121+3+12)。
from sklearn.metrics import confusion_matrix
C=confusion_matrix(y_true, y_pred, labels=['0','1','2','3','4'])
for i in range(5):
print(C[i][i]/sum(C[i]))
四、多类别分类任务的指标kappa
kappa系数的计算是基于混淆矩阵的，取值为-1到1之间，通常大于0。基于混淆矩阵的kappa系数计算公式如下：
κ = p 0 − p e 1 − p e \kappa=\frac{p_{0}-p_{e}}{1-p_{e}}κ=1 −p e p 0 −p e
其中，
p 0 = 混浠矩阵对角线元素之和 整个矩阵元素之和 p_{0}=\frac{\text { 混浠矩阵对角线元素之和 }}{\text { 整个矩阵元素之和 }}p 0 =整个矩阵元素之和混浠矩阵对角线元素之和
即Accuracy。
p e = ∑ i 第 i 行元素之和 ∗ 第 i 列元素之和 ∑ 矩阵所有元素之和 2 p_{e}=\frac{\sum_{i} \text {第} i \text {行元素之和} * \text {第} i \text {列元素之和 }}{\sum \text { 矩阵所有元素之和 }^{2}}p e =∑矩阵所有元素之和2 ∑i 第i 行元素之和∗第i 列元素之和
即所有类别分别对应的实际与预测数量的乘积的总和，除以样本总数的平方。
假设每一类的真实样本个数分别为a1,a2,…,aC，而预测出来的每一类的样本个数分别为b1,b2,…,bC
总样本个数为n,则有
p e = a 1 × b 1 + a 2 × b 2 + … + a C × b C n × n p_{e}=\frac{\mathrm{a} 1 \times \mathrm{b} 1+\mathrm{a} 2 \times \mathrm{b} 2+\ldots+\mathrm{aC} \times \mathrm{bC}}{\mathrm{n} \times \mathrm{n}}p e =n ×n a 1 ×b 1 +a 2 ×b 2 +…+aC ×bC
五、AUC和ROC待补充
。。。
推荐更详细系列:
回顾及总结–评价指标（分类指标）
机器学习模型评价(Evaluating Machine Learning Models)-主要概念与陷阱
机器学习评估指标–知乎
Original: https://blog.csdn.net/weixin_43818631/article/details/119281537
Author: 诸神黄昏的幸存者
Title: 常见的图像分类指标(二分类以及多分类)
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/664433/
转载文章受原作者版权保护。转载请注明原作者出处！