我有 4 个类用于动物界分类的应用：1 --> 无脊椎动物；2 --> 脊椎动物；3--> 哺乳动物；4 ---> 两栖动物。给定混合图像，目标是正确识别哺乳动物。在此示例的混淆矩阵中，TP 是否表示第 3 类（哺乳动物）？
Q1：所以，一般TP是最重要的class类别吗？如果所有的类都同等重要，那么如何表示 TP 和 TN？
Q2：F1成绩如何计算？应该为每个班级单独完成吗？如果那么每个班级都会有多个TN！
有人可以帮助消除这些困惑吗？谢谢你。
真阳性和真阴性，F1分数：多类分类
数据挖掘
分类
多类分类
混淆矩阵
2021-10-14 01:42:39
2个回答
在多类问题中，每个类都有一个分数，将任何其他类计为负数。
例如对于第 1 类：
- TP 实例是黄金标准 1 类，预测为 1 类
- FN 实例是黄金标准 1 类，预测为 2,3 或 4 类
- FP 实例是黄金标准 2,3 或 4 类，预测为 1 类
- TN 实例是 2,3 或 4 类的黄金标准，预测为 2,3 或 4 类（这里错误无关紧要，只要不涉及 1 类）
换句话说，该问题被评估为就好像它是每个类别的二元分类问题一样。对每个类独立地执行相同的过程（因为实例的状态取决于目标类），每个类获得不同的 F1 分数。
之后，通常计算宏观 F1 分数或微观 F1 分数（或两者）以获得整体性能统计数据。
如果给定混合图像，目标是正确识别哺乳动物，那么这是一个二元分类问题，哺乳动物与非哺乳动物。
混淆矩阵将是 2 乘 2。像这样的东西，想象这里的欺诈是哺乳动物。
如果所有类都同样重要，那么这是一个多分类问题。混淆矩阵将是 n × n。
下面是一个 3 x 3 的示例，您的情况类似，但 4 x 4。
至于多分类的 F1 分数，您可以使用classification_report()from scikit-learn。
from sklearn.metrics import classification_report
print(classification_report(new_y_test,new_y_test_pred))
再次，输出将是这样的，对于您的情况，假设有一个 3 类
precision recall f1-score support
0 0.98 0.98 0.98 563729
1 0.47 0.39 0.42 22439
2 0.70 0.86 0.77 3822
accuracy 0.96 589990
macro avg 0.71 0.74 0.72 589990
weighted avg 0.95 0.96 0.96 589990