我使用预训练的VGG19对具有四个类的数据集进行分类。为了计算准确性，我使用了这个公式：
accuracy = sum(predictedLabels==testLabels)/numel(predictedLabels) - 等式1
然后我使用以下方法计算了混淆矩阵：
confMat = confusionmat(testLabels, predictedLabels) **--Eq 2**
我从中得到了一个包含4行4列的矩阵，因为我有4个类。
现在，我们知道准确度公式也是：
Accuracy=TP+TN/(TP+TN+FP+FN) **Eq-3**
所以我也通过上面 Eq。形成的混淆矩阵计算了准确度。 2 即可。哪里
TP=value in (row==column),
FP=sum of column-TP,
FN=sum of row-TP,
TN=sum of the diagonal-TP
如果我正在做上述步骤，那么我的困惑是我从两种方法 Eq 1和Eq 3 获得不同的准确度。我用Eq获得的准确度。 1相当于公式TP/(TP+TN)。所以，如果是这种情况，那么Eq。 1是计算精度的错误公式。但是，这个公式已经在所有matlab深度学习代码中使用。
所以，MATLAB做错了（我知道概率为0）或者我做错了。但是，不幸的是，我无法确定我的错误。
现在，问题是，
我做错了吗？我错过了哪一步？怎么纠正呢？这个异常的逻辑解释是什么？
修改
由于类不平衡问题，这种精度计算异常发生。也就是说，每个班级都有不同数量的样本。因此，方程中的常规精度公式。 3在这种情况下不起作用。
答案 0 :(得分：0)
主要问题是消极和积极是预测（这是一只猫还是不是），而你正在使用两个以上的类别进行分类。分类器不会给你正面和负面（因为它是一个猫预测），因此不可能将答案与真正的正面或误面面等相关联。因此，等式3是没有意义的，因此方法也是如此。计算TP，TN等。例如，如果TP是您定义的row = column，那么这些是confMat对角线中的准确值。但什么是TN？根据你的定义，它是TP（对角线）减去对角线。我希望这有助于把事情放在写作轨道上。