免费混淆矩阵计算器

理解混淆矩阵及其在分类指标中的作用

评估分类模型的性能需要可靠的度量，而混淆矩阵为最基本的分类指标提供了基础。这个混淆矩阵计算器帮助你快速计算这些指标，让你专注于解释你的机器学习模型的行为。无论你是微调二分类器还是比较不同算法，理解混淆矩阵对于做出关于模型改进的明智决策至关重要。

混淆矩阵记录什么

混淆矩阵是一个 2×2 表格，汇总了二分类器对实际标签的预测。它记录了四个基本计数：

• True Positive (TP) – 被正确预测为正类的实例。
• False Negative (FN) – 被错误预测为负类的正类实例（第二类错误）。
• False Positive (FP) – 被错误预测为正类的负类实例（第一类错误）。
• True Negative (TN) – 被正确预测为负类的实例。

这四个计数是一系列性能指标的基础模块，超越了简单准确率，让你对模型优势和劣势有更细致的了解。

从混淆矩阵导出的关键性能指标

使用 TP、FN、FP 和 TN，你可以计算许多揭示分类器质量不同方面的指标。下面是最常用的指标。

准确率、精确率和召回率

• 准确率度量所有预测中正确的比例：

$$\text{Accuracy} = \frac{TP + TN}{TP + FN + FP + TN}$$

• 精确率（也称阳性预测值）告诉你正预测中有多少实际正确：

$$\text{Precision} = \frac{TP}{TP + FP}$$

• 召回率（灵敏度或真正例率）指示模型成功捕获了多少实际正实例：

$$\text{Recall} = \frac{TP}{TP + FN}$$

F1 分数 – 平衡精确率和召回率

F1 分数是精确率和召回率的调和平均数，会惩罚极端值，并提供在两者之间取得平衡的单一指标：

$$F_1 = 2 \times \frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}$$

比率和误差度量

几个基于比率的指标帮助你了解模型对特定错误的倾向：

• 真正例率 (TPR) = 召回率 = $\dfrac{TP}{TP + FN}$
• 假负例率 (FNR) = $\dfrac{FN}{TP + FN}$（第二类错误的概率）
• 假正例率 (FPR) = $\dfrac{FP}{FP + TN}$（第一类错误的概率）
• 真负例率 (TNR) = 特异度 = $\dfrac{TN}{TN + FP}$
• 错误发现率 (FDR) = $\dfrac{FP}{TP + FP}$（正预测中为假的比例）

马修斯相关系数 (MCC)

MCC，也称为 phi 系数，捕获观察到的和预测的二分类之间的相关性。它对类别不平衡具有鲁棒性，取值范围从 –1 到 +1：

$$\text{MCC} = \frac{TP \times TN - FP \times FN}{\sqrt{(TP+FP)(TP+FN)(TN+FP)(TN+FN)}}$$

计算示例：从示例数据计算指标

为了说明这些公式如何在实践中应用，考虑一个在测试集上产生以下计数的二分类器：

• 真正例：80
• 假负例：70
• 假正例：20
• 真负例：30

将这些数字代入公式得到：

• 准确率：$\dfrac{80+30}{80+70+20+30} = \dfrac{110}{200} = 0.55$ (55%)
• 精确率：$\dfrac{80}{80+20} = \dfrac{80}{100} = 0.80$ (80%)
• 召回率：$\dfrac{80}{80+70} = \dfrac{80}{150} \approx 0.533$ (53.3%)
• F1 分数：$2 \times \dfrac{0.80 \times 0.533}{0.80 + 0.533} \approx 0.64$
• TPR（同召回率）：≈ 0.533
• FNR：$\dfrac{70}{80+70} \approx 0.467$
• FPR：$\dfrac{20}{20+30} = 0.40$ (40%)
• TNR：$\dfrac{30}{30+20} = 0.60$ (60%)
• FDR：$\dfrac{20}{80+20} = 0.20$ (20%)
• MCC：

$$\frac{80 \times 30 - 20 \times 70}{\sqrt{(80+20)(80+70)(30+20)(30+70)}} = \frac{2400 - 1400}{\sqrt{100 \times 150 \times 50 \times 100}} \approx 0.1155$$

这个例子表明，即使模型具有高精确率（80%），也可能召回率较低（53%）且整体准确率一般。混淆矩阵计算器简化了这些计算，让你无需手动计算即可立即获得所有指标。

混淆矩阵计算器的价值

从混淆矩阵手动计算每个指标既繁琐又容易出错，尤其是在比较多个模型时。这款用于分类指标的混淆矩阵计算器接收你的 TP、FN、FP 和 TN 值，并在几秒内返回一套完整的度量——准确率、精确率、召回率、F1 分数、TPR、FNR、FPR、TNR、FDR 和 MCC。无论你是需要一个快速的精确率召回率计算器来微调阈值，还是希望全面了解机器学习模型的性能，这个工具都能简化评估过程，让你专注于改进分类器。