混淆矩阵与Matlab r语言 混淆矩阵

简介

分类矩阵是评估预测结果的重要工具，因为它使得结果更易于理解并说明错误预测的影响。通过查看此矩阵中每个单元的数量和百分比，可以快速查看模型做出准确预测的频率。

“分类矩阵”通过确定预测值是否与实际值匹配，将模型中的所有事例分为不同的类别。然后会对每个类别中的所有事例进行计数，并在矩阵中显示总计。 分类矩阵是评估统计模型的标准工具，有时被称为“混淆矩阵”。

混淆矩阵分析指标

matlab计算得到的混淆矩阵：

预测结果实际情况	低质	非低质
低质
非低质

为分析使用，转换得到的混淆矩阵：

	低质	非低质
判断正确	[TP]	[TN]
判断错误	[FP]	[FN]

程序识别错误的总数：

N = TN + FP

程序识别正确的总数：

P = TP + FN

正确识别为“低质”的站点占识别错误总数的比例（值越大越好）：

TP Rate = TP/N

未召回的“低质”站点占识别错误总数的比例：

FP Rate = FP/N

特征系数--误判为“低质”的站点占识别错误总数的比例：

Specificity = TN/N

召回率--正确识别为“低质”的站点占识别正确总数的比例：

Recall = TP/P

精密度--正确识别为“低质”的站点占“低质”站点总数的比例（值越大越好）：

Precision = TP/(TP+FP)

准确率--模型判断为“低质”的站点占测试集总量的比例：

Accuracy = (TP+TN)/(P+N)

MatLab计算混淆矩阵指标的函数

传入参数为单分类的 2 × 2 混淆矩阵，输出上一节所列举的各个指标的值。Matlab 函数：

function [] = confmatCal(confmat)

    TP = confmat(1,1);

    TN = confmat(1,2);

    FP = confmat(2,1);

    FN = confmat(2,2);

    N = TN + FP;

    P = TP + FN;

    fprintf('%s %dn','TP =', TP);

    fprintf('%s %dn','TN =', TN);

    fprintf('%s %dn','FP =', FP);

    fprintf('%s %dnn','FN =', FN);

    fprintf('%s %dn','N =', N);

    fprintf('%s %dnn','P =', P);

    fprintf('%s %dn','TP_Rate =', TP/N);

    fprintf('%s %dn','FP_Rate =', FP/N);

    fprintf('%s %dn','Specificity =', TN/N);

    fprintf('%s %dn','Recall =', TP/P);

    fprintf('%s %dn','Precision =', TP/(TP+FP) );

    fprintf('%s %dnn','Accuracy =', (TP+TN)/(P+N) );

    fprintf('%s %dn','g_mean1 =', sqrt(TP*P) );

    fprintf('%s %dn','g_mean2 =', sqrt(TP*TN) );

end

MatLab计算混淆矩阵

例子：

>> a= [1 1 1 2 2 2 3 3 33];

>> b= [1 1 2 2 2 2 3 1 33];

>> c =confusionmat(a,b)

c =

210

030

103

说明：

上面例子中，1、2、3代表三个分类，a矩阵是实际的分类值，b矩阵为模型计算所得的分类值。由通过confusionmat函数，计 算得到的混淆矩阵可见：

实际属于“1”分类的有3个（第一行的加和），其中模型计算正确的有2个（c[1,1]=2），另外1个模型误判为“2”分类（c[1,2]=1）；

实际属于“2”分类的有3个（第二行的加和），3个全部计算正确（c[2,2]=3）；

实际属于“3”分类的有4个（第三行的加和），其中模型计算正确的有3个（c[3,3]=3），另外1个模型误判为“1”分类（c[3,1]=1）。

爱华网本文地址 » http://www.413yy.cn/a/25101016/296516.html