Predicted
class
Cat Dog Rabbit
Actual class
Cat 5 3 0
Dog 2 3 1
Rabbit 0 2 11
如何计算精度和召回率，以便计算 F1 分数变得容易。正常的混淆矩阵是 2 x 2 维度。但是，当它变成 3 x 3 时，我不知道如何计算精度和召回率。
如果您详细说明精度（也称为阳性预测值 PPV）和召回率（又称为灵敏度）的定义，您会发现它们与一个独立于任何其他类别的类别相关：
召回率或敏感度是正确识别为属于 c 类的案例在真正属于 c 类的所有案例中的比例。
（假设我们有一个真正属于“ c ”的案例，正确预测的概率是多少？）
精度或阳性预测值 PPV是分类器声称它们属于 c 类的所有案例中正确识别为属于 c 类的案例的比例。
换句话说，在那些预测属于c类的案例中，哪个部分真正属于c类？（给定预测“ c ”，正确的概率是多少？）
那些预测不属于c类的病例的负预测值 NPV，哪个部分真正不属于c类？（给定预测“not c ”，正确的概率是多少？）
因此，您可以计算每个类的准确率和召回率。对于多类混淆表，这是对角元素分别除以其行和列总和：
通过将数据减少到强制选择（分类）并且不记录是否有任何“密切联系”，除了秘密假设一个奇怪的效用/损失/成本函数并使用任意阈值之外，您还可以获得最小信息最小精度统计估计. 使用最大信息会好得多，其中包括类成员的概率而不是强制选择。
最简单的方法是根本不使用confusion_matrix，使用classification_report()，它会给你你所需要的一切，干杯......
编辑：
这是混淆矩阵（）的格式：
[[TP,FN]
[FP,TN]]
分类报告给出了所有这些
下面是一个多类混淆矩阵的例子，假设我们的类标签是 A、B 和 C
应付账款 A B C 总和
A 10 3 4 17
B 2 12 6 20
C 6 3 9 18
总和 18 18 19 55
现在我们计算 Precision 和 Recall 的三个值，分别称为 Pa、Pb 和 Pc；同样地，Ra、Rb、Rc。
我们知道Precision = TP/(TP+FP)，所以对于Pa，真阳性将是Actual A 预测为A，即10，该列中的其余两个单元格，无论是B 还是C，都会成为假阳性。所以
Pa = 10/18 = 0.55 Ra = 10/17 = 0.59
现在 B 类的准确率和召回率是 Pb 和 Rb。对于 B 类，真阳性是实际 B 预测为 B，即包含值 12 的单元格和该列中两个单元格的其余部分为假阳性，所以
铅 = 12/18 = 0.67 Rb = 12/20 = 0.6
同样 Pc = 9/19 = 0.47 Rc = 9/18 = 0.5
分类器的整体性能将由平均精度和平均召回率决定。为此，我们将每个类的精度值乘以该类的实际实例数，然后将它们相加并除以实例总数。像 ，
平均精度 = (0.55* 17 + 0.67 * 20 + 0.47 * 18)/55 = 31.21/55 = 0.57 平均召回率 = (0.59* 17 + 0.6 * 20 + 0.5 * 18)/55 = 31.03/55 = 0.56
我希望它有帮助