多类分类器评价

Question

我正在阅读分类器，特别是多类分类器。我的问题是，当我用查准率和查全率来评价分类器时，我不明白假阳性和假阴性在多类分类器评估中的意义。

例如，当我对文档进行分类(其实际类别为C1)时，分类器将其分类为C2。那么，我应该在C2增加假阳性，在C1增加假阴性吗？(因为真正的答案是C1。)

Answer 1

因为你给出的例子是两个类问题，所以我在你的例子中解释假阳性和假阴性。

在2类情况下，混淆矩阵通常如下所示：

       | Declare C-1 | Declare C-2 |
|Is C-1|    TP       |   FN        |
|Is C-2|    FP       |   TN        |

我所用的符号指的是：

• TP =真正(分类为C1，实际为C1)
• FN =假阴性(分类为C2，但实际上为C1)
• FP =假阳性
• TN =真负

从原始数据中，表中的值通常是测试数据上每一次发生的计数。由此，我们可以相应地计算精度、召回和其他值。

例如，您有一个表如下所示。

       | Declare C-1 | Declare C-2 |
|Is C-1|    12       |    6        |
|Is C-2|     8       |   11        |

上表表示以下信息：

• 12份文件被归类为C1，实际上属于C1。
• 6份文件被归类为C2，但实际上它们属于C1。
• 8份文件被归类为C1，但实际上它们属于C2。
• 11份文件被归类为C2，它们实际上属于C2。

C类-1：

Precision = 12 / (12 + 8)
Recall = 12 / (12 + 6)

C类-2：

Precision = 11 / (11 + 6)
Recall = 11 / (11 + 8)

例如，当我对文档进行分类(它的实际类别为C1)时，分类器将其分类为C2。那么，我应该在C2增加假阳性，在C1增加假阴性吗？(因为真正的答案是C1。)

您应该增加与Declare C-2和Is C-1相关联的混淆矩阵的单元格值的计数，这在下面用*表示。

       | Declare C-1 | Declare C-2 |
|Is C-1|     0       |    0*       |
|Is C-2|     0       |    0        |

Answer 2

用一行回答-是的，这一错误分类的影响将增加对C2的假阳性，而增加的假阴性对C1将下降。因此，C-2的精度会下降，C-1的召回率会下降.

在stats.stackexchange.com上也有一个类似的问题，它也有详细的答案：

https://stats.stackexchange.com/questions/51296/how-do-you-calculate-precision-and-recall-for-multiclass-classification-using-co