混淆矩阵分析：精确度、召回率、F1 分数和准确率

混淆矩阵分析：精确度、召回率、F1 分数和准确率

precision    recall  f1-score   support

           0       0.84      0.64      0.73      5057
           1       0.24      0.48      0.32      1175

    accuracy                           0.61      6232
   macro avg       0.54      0.56      0.52      6232
weighted avg       0.73      0.61      0.65      6232

[[3253 1804]
 [ 611  564]]

上面的矩阵是一个混淆矩阵，用于评估分类模型的性能。

混淆矩阵解释

• True Positive (TP)：将正例正确地预测为正例的数量。在这里，表示将1预测为1的数量。
• True Negative (TN)：将负例正确地预测为负例的数量。在这里，表示将0预测为0的数量。
• False Positive (FP)：将负例错误地预测为正例的数量。在这里，表示将0预测为1的数量。
• False Negative (FN)：将正例错误地预测为负例的数量。在这里，表示将1预测为0的数量。

基于混淆矩阵的指标计算

根据上述解释，可以看出：

• 有 3253 个样本被正确预测为负例（0），有 1804 个样本被错误预测为正例（1）。
• 有 611 个样本被错误预测为负例（0），有 564 个样本被正确预测为正例（1）。

基于混淆矩阵的结果，可以计算出以下指标：

• Precision（精确度）：预测为正例的样本中，真正为正例的比例。在这里，为 0 的精确度为 0.84，为 1 的精确度为 0.24。
• Recall（召回率）：真实为正例的样本中，被正确预测为正例的比例。在这里，为 0 的召回率为 0.64，为 1 的召回率为 0.48。
• F1-score（F1 分数）：综合考虑精确度和召回率的指标，是精确度和召回率的调和平均值。在这里，为 0 的 F1 分数为 0.73，为 1 的 F1 分数为 0.32。

其他指标

最后，还可以得出以下结论：

• 准确率（accuracy）：模型正确预测的样本占总样本数的比例。在这里，准确率为 0.61。
• 宏平均（macro avg）：对所有类别的指标取平均值，每个类别的权重相等。
• 加权平均（weighted avg）：对所有类别的指标取加权平均值，权重是根据各类别的样本数计算的。