混淆矩阵与多分类评估是什么？

关键要点

• 混淆矩阵的行代表真实类别，列代表预测类别。
• 对角线元素是各类别被正确分类的样本数。
• 非对角线元素显示样本被错误分类到了哪个类别。
• 混淆矩阵能直观揭示模型在多分类任务中的短板。
• 在类别不平衡数据集中，仅用准确率评估模型可能具有误导性。
• 精确率衡量模型预测正类的准确性，召回率衡量找出正类的全面性。
• F1值是精确率和召回率的调和平均数，用于综合衡量两者。

怎么选 / 怎么做

混淆矩阵用于多分类评估时，解读步骤如下：
- 观察对角线：数值越高，表示该类别的分类准确率越高。
- 分析非对角线：查看哪些类别之间容易混淆，例如类1的样本被误判为类2。
- 聚焦短板：针对混淆严重的类别对进行模型优化。

常见问题

混淆矩阵有什么用？

直观展示分类模型在各个类别上的预测对错情况。

多分类评估看混淆矩阵哪里？

看对角线是否正确分类，非对角线哪些类别易混淆。

精确率和召回率分别衡量什么？

精确率衡量预测正类的准确性，召回率衡量找出正类的全面性。