混淆矩阵逻辑

Question

有人能解释一下混乱矩阵背后的逻辑吗？

• 真阳性(TP)：预测为正，实际结果为正，结果为“真正”--没有疑问。
• 假阴性(FN)：预测为阴性，实际结果为正，结果为“假阴性”--为什么？不是应该是“假阳性”吗？
• 假阳性:预测为阳性，实际结果为阴性，结果为“假阳性”--为什么？不是应该是“正反”吗？
• 真负(TN)：预测是负面的，实际结果是负面的，结果是‘正负’--为什么？不应该是“假阴性”吗？

Answer 1

混淆矩阵是用来描述分类模型性能的表格。您提供的图显示了一个二进制大小写，但它也用于多个类(只有更多的行/列)。

行引用输入的实际背景-真相标签/类，列引用模型提供的预测。

不同案例的名称是从预测器的角度来看的。

“真/假”是指预测与实际事实相同，而消极/积极指的是预测。

混淆矩阵中的4种不同情况：

真正(TP)：模型的预测是“正”的，它与实际的地面-真值类是“正”的，所以这是一个真实的正例。

假负(FN)：模型的预测是“负”的，而且它是错误的，因为实际的地面真相类是“正”的，所以这是一个假否定的情况。

假阳性(FP)：模型的预测是“正”的，而且它是错误的，因为实际的地面真相类是“负”的，所以这是一个假阳性的情况。

真负(TN)：模型的预测是“负”的，它与实际的地面真相类是“负”的，所以这是一个真实的否定的情况。

Answer 2

似乎你理解了混淆矩阵的含义，但没有逻辑来命名它的条目！

这是我的5美分：

这些名字都是这样的：

<True/False> <Positive/Negative>
     |                |
   Part1            Part2

1. 第一部分解释了预测是否正确。如果你只有真正和真负，你的模型是完美的。如果你只有假阳性和假阴性，你的模型真的很糟糕。
2. 第二部分解释了模型的预测。

所以：

• 假阴性(FN)：预测为负(0)，但第一部分为假，这意味着预测是错误的(应该是正(1))。
• 假阳性(FP)：预测为正(1)，但第一部分为假，这意味着预测是错误的(应该是负(0))。
• 真负(TN)：预测是负的，第一部分是真实的。预测是正确的(模型预测为阴性，对于阴性样本)

Answer 3

请查阅以下资料：

• 假阴性(FN)：预测为阴性，实际结果为正，结果为“假阴性”--为什么？不是应该是“假阳性”吗？答案:预测模型应该给出答案为“肯定”，但它预测为“否定”，这意味着错误地预测为否定，也就是假阴性。
• 假阳性:预测为阳性，实际结果为阴性，结果为“假阳性”--为什么？不是应该是“正反”吗？答案:预测模型应该给出的答案为“否定”，但它预测为“积极”，这意味着错误地预测为阳性，也就是假阳性。
• 真负(TN)：预测是负面的，实际结果是负面的，结果是‘正负’--为什么？不应该是“假阴性”吗？回答:预测的输出应该是负的，模型也被预测为负值。

为了更好地理解，您可以运行一个简单的二进制分类模型并分析混淆矩阵。

谢谢,

KK