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 3 类，如正面、负面和中性。谁能告诉我当我的输出超过 2 类时如何计算混淆矩阵。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

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

我应该使用哪个来提高灵敏度

谢谢。

Answer 1

术语 "positive" 和 "negative" 仅对二项式分类器有意义——真正的肯定是当你得到正确的 "yes, this belongs here" 和真正的否定当你正确地得到 "no, this doesn't belong to the category"。所以只能有两个类别，或者实际上只有一个类别，以及它的补充。不属于该类别的所有内容都是负面的。然后混淆矩阵看起来像这样：

   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例，则有 2 个误报；同样，有3个假阴性。

不过，这可以推广到多项式混淆矩阵。只需向矩阵中添加更多单元格即可为每个组合腾出空间。

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

在整个过程中，您得到了分类器的结果。下来，你有每个样本的实际类别。所以你在对角线上有 7 "true A"、19 "true B" 和 7 "true C"，其他人很困惑 -- 1 "false C" 应该是 B，9 "false B" 应该是 C，等等

如何计算真阳性、真阴性、假阳性和假阴性

How do I calculate true positive, true negative, false positive, and false negative

analytics

prediction

confusion-matrix

predictionio