Question

我正在尝试在混淆矩阵中找到True负数，我已经从头开始成功计算出精度和召回率/敏感性，现在我需要计算准确性和特异性。这是我的困惑矩阵：

这就是我获得TP，FN和TP的方式

计算0级的精度

Precision=  TP*100/(TP+FP)
precision = 66*100/(66+2+0)
precision = 97.0588

计算1类的精度

Precision=  TP*100/(TP+FP)
precision = 81*100/(81+1+1)
precision = 97.5903

计算2类的精度

Precision=  TP*100/(TP+FP)
precision = 56*100/(56+3+0)
precision = 94.9152

使用我得到的Pycm库：

PPV(Precision or positive predictive value) 0.97059  0.9759 0.94915

其中0.97059是0类的精度，下一个是1类，最后一个是2类。

计算0级召回率

recall =  TP*100/(TP+FN)
recall =  66/(66+2+0)
recall =  97.0588

计算1类的召回率

recall =  TP*100/(TP+FN)
recall =  81/(81+2+3)
recall =  94.1860

计算2类的召回率

recall =  TP*100/(TP+FN)
recall =  56/(56+0+1)
recall =  94.1860

使用我得到的Pycm库：

TPR(recall or true positive rate)  0.98507 0.94186  0.98246

其中0.98507是0类的精度，下一个是1类，最后一个是2类精度。

如果我想计算精度，现在会发生什么？方程：精度=（TP + TN）* 100 /（TP + TN + FP + FN）等式还好吗？我使用常数100来获取百分比，而不是0.x或0.00xx，而是90.x等。

我想知道如何获得真阴性（TN）来计算准确性和特异性，目前正在使用Pycm库，我正在为3个类获取此值：

ACC(Accuracy) 0.98571       0.96667       0.98095

Answer 1

您从哪里获得此精度函数？

acc很容易计算，将所有样本总和（矩阵中的所有num）乘以真正的pre，61、81、56 div来求和

考虑召回率和精度时，TP，TN，FP，FN是不同的数字：

精度

真阳性+假阳性=总预测阳性立刻，您可以看到Precision在谈论模型的预测准确度超出了您的模型的精确度/准确度，其中有多少是实际的正向预测。

当误报的成本很高时，精度是确定的好方法。例如，电子邮件垃圾邮件检测。在电子邮件垃圾邮件检测中，误报是指非垃圾邮件（实际为否定）已被识别为垃圾邮件（预测的垃圾邮件）。如果垃圾邮件检测模型的准确性不高，则电子邮件用户可能会丢失重要的电子邮件。

召回

因此，让我们对召回应用相同的逻辑。调用率是如何计算的。

真正+假负=实际正你去！因此，Recall实际上通过将模型标记为正（True Positive）来计算模型捕获的实际正值。运用相同的理解，我们知道当误报率较高时，召回率将是我们用来选择最佳模型的模型指标。