混淆矩阵计算器
根据混淆矩阵计算准确率、精确率、召回率、F1、特异性和MCC。输入TP、TN、FP、FN，获取所有关键分类指标。
如何使用混淆矩阵计算器
- 输入真正例数量（TP）。
- 输入真负例数量（TN）。
- 输入假正例数量（FP）。
- 输入假负例数量（FN）。
- 点击计算，查看所有指标。
使用场景
- •对二元分类器进行全面评估。
- •跨多项指标比较模型性能。
- •诊断类别不平衡对模型质量的影响。
- •在机器学习项目中报告模型评估结果。
公式
准确率 = (TP+TN)/(TP+TN+FP+FN)。精确率 = TP/(TP+FP)。召回率 = TP/(TP+FN)。F1 = 2PR/(P+R)。特异性 = TN/(TN+FP)。MCC = (TP×TN−FP×FN)/√((TP+FP)(TP+FN)(TN+FP)(TN+FN))。
常见问题
什么是混淆矩阵？
混淆矩阵展示分类器的真正例、真负例、假正例和假负例的计数。
什么是MCC？
马修斯相关系数（MCC）是一种即使在类别不平衡情况下也具有良好平衡性的评估指标，取值范围为-1到+1。
什么是特异性？
特异性（真负率）= TN / (TN + FP)，衡量模型识别负样本的能力。