如何从Naive Bayes模型计算每个类的准确度,精度和召回? 我正在使用嵌入式数据集:iris和package tree ,并将 e1071 打包为Naive Bayes。混淆矩阵如下:
prediction setosa versicolor virginica
setosa 29 0 0
versicolor 0 20 2
virginica 0 3 21
P.S:请注意,我使用75个条目作为训练集,其他用于测试:
iris.train <- c(sample(1:150, 75)) # have selected 75 randomly
答案 0 :(得分:22)
在整个答案中,(accuracy <- sum(diag(mat)) / sum(mat))
# [1] 0.9333333
是您描述的混淆矩阵。
您可以使用以下方式计算和存储准确度:
(precision <- diag(mat) / rowSums(mat))
# setosa versicolor virginica
# 1.0000000 0.9090909 0.8750000
每个类的精度(假设预测在行上,真实结果在列上)可以用以下公式计算:
(precision.versicolor <- precision["versicolor"])
# versicolor
# 0.9090909
如果你想获取特定类的精度,你可以这样做:
recall <- (diag(mat) / colSums(mat))
# setosa versicolor virginica
# 1.0000000 0.8695652 0.9130435
召回每个类(再次假设预测在行上,真实结果在列上)可以用以下方法计算:
(recall.virginica <- recall["virginica"])
# virginica
# 0.9130435
如果您想要回忆特定课程,您可以执行以下操作:
(mat = as.matrix(read.table(text=" setosa versicolor virginica
setosa 29 0 0
versicolor 0 20 2
virginica 0 3 21", header=T)))
# setosa versicolor virginica
# setosa 29 0 0
# versicolor 0 20 2
# virginica 0 3 21
如果您将真实结果作为行和预测结果作为列,那么您将翻转精度并调用定义。
数据:
Driver={Microsoft Access Driver (*.mdb)}