免费马修斯相关系数计算器

理解马修斯相关系数

评估二分类模型的性能需要一个同时捕捉两类正确预测和两类错误的指标。马修斯相关系数（MCC）通过将真正例（TP）、假正例（FP）、真负例（TN）和假负例（FN）组合成一个单一数值来实现这一点。该工具自动应用MCC公式，让您立即获得对分类质量的平衡视图——无论您是在机器学习、医疗诊断还是质量保证领域工作。

MCC衡量什么

Matthews提出的相关系数范围从$-1$到$+1$，与Pearson和其他相关度量使用的标度相同。在此标度上：

• $+1$表示预测与真实标签完全一致。
• $0$表示分类器效果不优于随机猜测。
• $-1$表示完全不一致——每个正例被预测为负例，反之亦然。

由于MCC是对称的，并考虑了混淆矩阵的所有四个格子，即使在类别高度不平衡的情况下——这时准确率等指标可能会误导人——它仍然提供信息。

混淆矩阵与马修斯相关公式

在应用马修斯相关公式之前，您需要将结果整理成混淆矩阵：

实际 \ 预测	预测为正	预测为负
实际正例	TP	FN
实际负例	FP	TN

将这四个数字转化为单一系数的公式如下：

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

如果分母中的任何一项为零，则系数变为未定义，因为分母为零。例如，当模型从未预测某一类别时会发生这种情况。

补充指标以全面评估

许多研究人员将MCC二分类得分与其他指标配合使用，这些指标都源于同一混淆矩阵：

• 灵敏度（Recall / 真正率） – 实际正例中被正确识别的比例。
  $\text{Sensitivity} = \dfrac{TP}{TP + FN}$

• 特异度（真负率） – 实际负例中被正确识别的比例。
  $\text{Specificity} = \dfrac{TN}{TN + FP}$

• 精确率（阳性预测值） – 预测为正例中真正正例的比例。
  $\text{Precision} = \dfrac{TP}{TP + FP}$

• 准确率 – 正确预测的整体比例。
  $\text{Accuracy} = \dfrac{TP + TN}{TP + TN + FP + FN}$

• F1分数 – 精确率和召回率的调和平均数。
  $F1 = \dfrac{2 \times TP}{2 \times TP + FN + FP}$

选择“最佳”指标取决于您的具体问题。例如，在医学筛选中，您希望高灵敏度以避免漏诊患者，而在垃圾邮件检测中，高精确率对于避免屏蔽合法邮件至关重要。然而，MCC通常被认为是最具信息量的单一指标，因为它使用了混淆矩阵的所有四个条目，并且在不平衡数据集上表现良好。

实例：陶瓷板检测

考虑一个质量控制场景，您检查陶瓷板是否有缺陷。在100块板中，您的检查标记了15块有缺陷，但真实检查显示有25块有缺陷。混淆矩阵如下：

	预测有缺陷	预测无缺陷
实际有缺陷	10 (TP)	15 (FN)
实际无缺陷	5 (FP)	70 (TN)

将这些值输入MCC计算器：

$$\text{MCC} = \frac{(10 \times 70) - (5 \times 15)}{\sqrt{(10 + 5)(10 + 15)(70 + 5)(70 + 15)}} = \frac{625}{\sqrt{2,390,625}} \approx 0.4042$$

约0.40的MCC表示中度相关性。查看灵敏度：

$$\text{Sensitivity} = \frac{10}{10 + 15} = 0.40$$

这表明只有40%的实际缺陷被检测到——在真实工厂环境中，这种表现可能需要改进。

使用计算器

要获得您自己的结果，只需将四个混淆矩阵计数（TP、FP、TN、FN）输入MCC计算器。工具立即显示MCC值，并通过打开高级部分，您还可以获得补充指标（灵敏度、特异度、精确率、准确率、F1分数）。这种并排比较有助于您确定二分类器的哪些方面表现良好，哪些方面可能需要调整。

无论您是在训练机器学习模型、验证诊断测试，还是进行质量检查，这个二分类指标计算器都会为您提供可信赖的一站式性能总结。