分类器评估方法（准确率和混淆矩阵）
注：本文是人工智能研究网的学习笔记
准确率
accuracy_score：函数计算分类准确率，返回被正确分类的样本比例（default）或者是数量（normalize=False）
在多标签分类问题中，该函数返回子集的准确率，对于一个给定的多标签样本，如果预测得到的标签集合与该样本真正的标签集合严格吻合，则subset accuracy =1.0否则是0.0
混淆矩阵
在机器学习中尤其是统计分类中，混淆矩阵（confusion matrix），也被称为错误矩阵（error matrix）。
【分类器评估方法（准确率和混淆矩阵）】矩阵的每一列表达了分类器对于样本的类别预测，二矩阵的每一行则表达了版本所属的真实类别
之所以叫做’混淆矩阵‘，是因为能够很容易的看到机器学习有没有将样本的类别给混淆了。
文章图片
Table of confusion
在预测分析中（predictive analytics）中table of confusion有时也叫（confusion matrix）是一个两行两列的表，这个表报告了四个预测相关的事件发生的数量： false positive， False negative, true positve和false negative。这个表可以让我们更加详细的分析预测系统的性能，热不是仅仅用一个准确率。
Accuracy是一个不可靠的分类器性能度量标准，因为当数据集中不同类的别的样本数量分布不平衡的时候，它将会产生误导人的结果。
比如说，如果数据集中有95个猫和5个狗，分类器会简单的将其分为猫，这样的准确率是95%。
文章图片
最终的table of confusion是把所有的table of confusion平均组合起来的结果。
文章图片
文章图片
转载于:https://www.cnblogs.com/cnkai/p/7755134.html
推荐阅读
- 对抗抑郁最好的方法
- 怎样用黑谜速冻膜去黑头，|怎样用黑谜速冻膜去黑头， 最有效的去黑头的方法看这!
- 移动端h5调试方法
- 唱歌教学（导致嗓音损坏的几个常见的错误唱歌方法！）
- 拆书方法训练营
- 数组常用方法一
- 这份史上最经典的3大学习方法，清华北大学霸都在用！
- 迅捷流程图制作软件的使用方法！
- VueX--VUE核心插件
- 15个从现实焦虑中恢复精神的方法！