开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

为什么混淆度量中的正样本大小比实际数据小？

混淆度量中的正样本大小比实际数据小是因为混淆矩阵中的正样本是指被正确预测为正类的样本数量，而实际数据中的正样本是指真实的正类样本数量。

混淆矩阵是用于评估分类模型性能的一种常用工具，它将模型的预测结果与真实标签进行比较，将样本分为四个类别：真正例（True Positive，TP）、真负例（True Negative，TN）、假正例（False Positive，FP）和假负例（False Negative，FN）。

正样本是指真实标签为正类的样本，而混淆矩阵中的正样本是指模型将其预测为正类的样本。由于分类模型的预测可能存在误差，因此混淆矩阵中的正样本数量可能小于实际数据中的正样本数量。

这种情况可能出现在以下几种情况下：

假正例（False Positive）：模型将负类样本错误地预测为正类。这会导致混淆矩阵中的正样本数量减少。
假负例（False Negative）：模型将正类样本错误地预测为负类。这不会影响混淆矩阵中的正样本数量。
模型的预测结果存在一定的误差，导致混淆矩阵中的正样本数量与实际数据中的正样本数量不完全一致。

在实际应用中，我们通常关注的是模型的准确率、召回率、精确率等指标，而不仅仅关注混淆矩阵中的正样本数量。因此，混淆度量中的正样本大小比实际数据小并不影响我们对模型性能的评估和判断。

腾讯云相关产品和产品介绍链接地址：

腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）
腾讯云人工智能开放平台（https://cloud.tencent.com/product/ai）
腾讯云云服务器（https://cloud.tencent.com/product/cvm）
腾讯云云数据库 MySQL 版（https://cloud.tencent.com/product/cdb_mysql）
腾讯云对象存储（https://cloud.tencent.com/product/cos）
腾讯云区块链服务（https://cloud.tencent.com/product/tbaas）
腾讯云视频处理（https://cloud.tencent.com/product/vod）
腾讯云物联网平台（https://cloud.tencent.com/product/iotexplorer）
腾讯云移动推送（https://cloud.tencent.com/product/tpns）

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

【目标检测基础积累】常用的评价指标

由于目标检测(Object Detection)主要需要解决“是什么？和在哪里？”这两大问题，即对给定图像中的所有存在的目标，每个目标都要给出类别信息（是什么？）和位置信息（在哪里？）。这个位置信息通常用一个外接矩形框（俗称bounding box）来表示。因此，目标检测的性能度量方法要比图像分类任务复杂得多。本文我们来为大家介绍一下目标检测算法里常用的一些评价指标。

02

分类模型评估指标汇总

对模型进行评估时，可以选择很多种指标，但不同的指标可能得到不同的结果，如何选择合适的指标，需要取决于任务需求。

01

深度学习笔记常用的模型评估指标

“没有测量，就没有科学。”这是科学家门捷列夫的名言。在计算机科学中，特别是在机器学习的领域，对模型的测量和评估同样至关重要。只有选择与问题相匹配的评估方法，我们才能够准确地发现在模型选择和训练过程中可能出现的问题，再对模型进行优化。本文将总结机器学习最常见的模型评估指标，其中包括：

01

精度是远远不够的：如何最好地评估一个分类器？

分类模型（分类器）是一种有监督的机器学习模型，其中目标变量是离散的（即类别）。评估一个机器学习模型和建立模型一样重要。我们建立模型的目的是对全新的未见过的数据进行处理，因此，要建立一个鲁棒的模型，就需要对模型进行全面而又深入的评估。当涉及到分类模型时，评估过程变得有些棘手。

03

简单聊聊模型的性能评估标准

在机器学习领域中，对模型的评估非常重要，只有选择和问题相匹配的评估方法，才能快速发现算法模型或者训练过程的问题，迭代地对模型进行优化。

02

MADlib——基于SQL的数据挖掘解决方案（30）——模型评估之预测度量

该模块提供了一组度量来评估模型预测的质量。除非另有说明，典型的函数将采用一组“预测”和“观察”值，并使用它们来计算所需的度量。所有功能都支持分组（混淆矩阵除外）。

01

【评价指标】详解F1-score与多分类F1

首先，要背住的几个概念就是：accuracy,precision,recal, TP,FP,TN,FN

02

【评价指标】详解F1-score与多分类MacroF1&MicroF1

首先，要背住的几个概念就是：accuracy, precision, recall, TP,FP,TN,FN

04

[机器的机器在学习] 你有一次国庆节大作业待接收~

明天就国庆放假了，正好赶上中秋节，首先祝大家“双节”快乐！不管是出去玩，还在一个人在家里，在宿舍，在自己的小房子“玩”，祝大家都能找到自己的乐趣！但是呢，安全第一！想乘着国庆好好学习一把的童鞋，也别太拼，学习一会儿就休息一下。然后我想说，我国庆要出去“嗨”一下了，so 这期间不能更新了。。 ============================== 好，接下来我们聊一下机器学习中的一个基本概念，混淆矩阵，confusion matrix，第一个听说混淆矩阵的时候，稀里糊涂的看不懂，等到我明白了机

09

分类模型的评价方法

机器学习中对于分类模型常用混淆矩阵来进行效果评价，混淆矩阵中存在多个评价指标，这些评价指标可以从不同角度来评价分类结果的优劣，以下内容通过简单的理论概述和案例展示来详细解释分类模型中混淆矩阵的评价指标及其用途。

02

【干货】不止准确率：为分类任务选择正确的机器学习度量指标（附代码实现）

【导读】本文是数据科学研究者William Koehrsen撰写的技术博文，介绍了在分类模型中需要用到的度量标准。我们知道，准确率是我们在分类任务中最常用到的度量指标，但是单纯的准确率并不能说明模型的

07

机器学习分类问题：9个常用的评估指标总结

你好，我是zhenguo 对机器学习的评估度量是机器学习核心部分，本文总结分类问题常用的metrics 分类问题评估指标在这里，将讨论可用于评估分类问题预测的各种性能指标 1 Confusion Matrix 这是衡量分类问题性能的最简单方法，其中输出可以是两种或更多类型的类。混淆矩阵只不过是一个具有两个维度的表，即“实际”和“预测”，此外，这两个维度都有“真阳性（TP）”、“真阴性（TN）”、“假阳性（FP）”和“假阴性（FN）”，如下所示：与混淆矩阵相关的术语解释如下： -真阳（TP）− 当数据点

01

一份非常全面的机器学习分类与回归算法的评估指标汇总

读完机器学习算法常识之后，你已经知道了什么是欠拟合和过拟合、偏差和方差以及贝叶斯误差。在这篇给大家介绍一些机器学习中离线评估模型性能的一些指标。

05

《机器学习》-- 第二章：模型评估与选择

(1) 误差：学习器的实际预测输出与样本的真实输出之间的差异；其中学习器在训练集上的误差称为”训练误差“（training error），在新样本上的误差称为”泛化误差“（generalization error）。值得一提的是，学习器就是在训练集上训练出来的，但实际上在回到训练集上对样本预测结果时，仍有误差。（即结果值与标记值不同）

03

机器学习中的分类问题：如何选择和理解性能衡量标准

max_iter参数用于指定模型训练的最大迭代次数，这里设置为1000，以确保模型在训练期间能够收敛到一个合适的解。

01

《机器学习》学习笔记（二）——模型评估与选择

错误率(error rate)：分类错误的样本占样本总数的比例精度(accuracy)：1 - 错误率误差(error)：学习器的实际预测输出与样本的真实输出之间的差异错误率和精度相反 (错误率+精度=1) 训练误差(training error)(即经验误差(empirical error))：学习器在训练集上的误差泛化误差(generalization error)：在新样本（即测试样本）上的误差

01

盘一盘 Python 系列 9 - Scikit-Plot

当机器学习工具 Scikit-Learn 遇上了可视化工具 Matplotlib，就衍生出 Scikit-Plot。

04

人工智能领域 700 多个专业术语-谷歌开发者机器学习词汇表

本文为机器之心编译：该术语库项目目前收集了人工智能领域 700 多个专业术语，但仍需要与各位读者共同完善与修正。本文编译自谷歌开发者机器学习术语表项目，介绍了该项目所有的术语与基本解释。 A 准

08

【机器学习笔记】：一文让你彻底记住什么是ROC/AUC（看不懂你来找我）

ROC/AUC作为机器学习的评估指标非常重要，也是面试中经常出现的问题（80%都会问到）。其实，理解它并不是非常难，但是好多朋友都遇到了一个相同的问题，那就是：每次看书的时候都很明白，但回过头就忘了，经常容易将概念弄混。还有的朋友面试之前背下来了，但是一紧张大脑一片空白全忘了，导致回答的很差。

02

【机器学习】一文读懂分类算法常用评价指标

评价指标是针对将相同的数据，输入不同的算法模型，或者输入不同参数的同一种算法模型，而给出这个算法或者参数好坏的定量指标。

02

机器学习中常用评估指标汇总

评估指标 Evaluation metrics 可以说明模型的性能，辨别模型的结果。我们建立一个模型后，计算指标，从指标获取反馈，再继续改进模型，直到达到理想的准确度。在预测之前检查模型的准确度至关

[白话解析] 通过实例来梳理概念：准确率 (Accuracy)、精准率(Precision)、召回率(Recall)和F值(F-Measure)

二分类评估是对二分类算法的预测结果进行效果评估。本文将构造出一个水泊梁山的具体实例带领大家梳理相关概念。

01

什么是ROC曲线？为什么要使用ROC?以及 AUC的计算

真正（True Positive , TP）被模型预测为正的正样本；假负（False Negative , FN）被模型预测为负的正样本；假正（False Positive , FP）被模型预测为正的负样本；真负（True Negative , TN）被模型预测为负的负样本。

03

第十二章机器学习系统设计

该系列文章为，观看“吴恩达机器学习”系列视频的学习笔记。虽然每个视频都很简单，但不得不说每一句都非常的简洁扼要，浅显易懂。非常适合我这样的小白入门。本章含盖 12.1 确定执行的优先级 12.2

02

你知道这11个重要的机器学习模型评估指标吗?

【磐创AI导读】：评估一个模型是建立一个有效的机器学习模型的核心部分，本文为大家介绍了一些机器学习模型评估指标，希望对大家有所帮助。想要获取更多的机器学习、深度学习资源，欢迎大家点击上方蓝字关注我们的公众号：磐创AI。

04

【干货】7种最常用的机器学习算法衡量指标

【导读】你可能在你的机器学习研究或项目中使用分类精度、均方误差这些方法衡量模型的性能。当然，在进行实验的时候，一种或两种衡量指标并不能说明一个模型的好坏，因此我们需要了解常用的几种机器学习算法衡量指标

06

你真的了解模型评估与选择嘛

前面几讲我们基于数据分析师需要掌握的基本技能，从SQL出发，学习了统计学的基本知识，在系统层面基本讲完了数据分析师需要具备的能力。下面几讲，我们会围绕数据挖掘工程师需具备的知识体系展开，今天会着重介绍机器学习中模型评估与选择的基础知识。

03

开发者必看：超全机器学习术语词汇表！

来源：机器之心本文长度为12243字，建议阅读8分钟本文编译自谷歌开发者机器学习术语表项目，介绍了该项目所有的术语与基本解释。 A 准确率（accuracy）分类模型预测准确的比例。在多类别分类中，准确率定义如下：在二分类中，准确率定义为：激活函数（Activation function）一种函数（例如 ReLU 或 Sigmoid），将前一层所有神经元激活值的加权和输入到一个非线性函数中，然后向下一层传递该函数的输出值（典型的非线性）。 AdaGrad 一种复杂的梯度下降算法，重新

06

福利 | 纵览机器学习基本词汇与概念

机器之心曾开放过人工智能术语集，该术语库项目目前收集了人工智能领域 700 多个专业术语，但仍需要与各位读者共同完善与修正。本文编译自谷歌开发者机器学习术语表项目，介绍了该项目所有的术语与基本解释。之后，我们也将表内术语更新到了机器之心 GitHub 项目中。机器之心人工智能术语项目：https://github.com/jiqizhixin/Artificial-Intelligence-Terminology A 准确率（accuracy）分类模型预测准确的比例。在多类别分类中，准确率定义如下：

09

谷歌开发者机器学习词汇表：纵览机器学习基本词汇与概念

选自Google Developers 机器之心编译机器之心曾开放过人工智能术语集，该术语库项目目前收集了人工智能领域 700 多个专业术语，但仍需要与各位读者共同完善与修正。本文编译自谷歌开发者机器学习术语表项目，介绍了该项目所有的术语与基本解释。之后，我们也将表内术语更新到了机器之心 GitHub 项目中。机器之心人工智能术语项目：https://github.com/jiqizhixin/Artificial-Intelligence-Terminology A 准确率（accuracy）分类

pr曲线 roc曲线_roc曲线与auc的含义

查准率，表示所有被预测为正类的样本（TP+FP）是真正类（TP）的比例： P = T P T P + F P P= \frac{TP}{TP+FP} P=TP+FPTP 查全率，表示所有真正类的样本（TP+FN）中被预测为真正类（TP）的比例： R = T P T P + F N R= \frac{TP}{TP+FN} R=TP+FNTP

04

机器学习 Fbeta-Measure 指标详解

为了让加深我们印象，这里我们把直接放上关于精确率和召回率的解释，如果大家忘记的话，以后不妨来多看看

02

模型评估：评价指标-附sklearn API

主要有分类（classification）、回归（regression）、排序（ranking）、聚类（clustering）、热门主题模型（topic modeling）、推荐（recommendation）等。

02

机器学习之分类性能度量指标 : ROC曲线、AUC值、正确率、召回率

同见博客：http://zhwhong.ml/2017/04/14/ROC-AUC-Precision-Recall-analysis/(对Latex公式支持更好) ---- 在分类任务中，人们总是喜欢基于错误率来衡量分类器任务的成功程度。错误率指的是在所有测试样例中错分的样例比例。实际上，这样的度量错误掩盖了样例如何被分错的事实。在机器学习中，有一个普遍适用的称为混淆矩阵(confusion matrix)的工具，它可以帮助人们更好地了解分类中的错误。比如有这样一个在房子周围可能发现的动物类型的预测，这

06

你真的懂点击率（CTR）建模吗？

点击率(CTR，Click-Through Rate)以及派生的各种用户行为概率(如商品购买率、推荐好友接受率、短视频3s曝光率等)是广告、推荐、搜索等互联网应用中大家耳熟能详的词汇。以点击率为例，如何建立高效的CTR预估模型是领域从业者们的核心能力，也是头部企业长期重兵投入、持续优化的核心技术。

02

【AI初识境】深度学习模型评估，从图像分类到生成模型

图像分类是计算机视觉中最基础的一个任务，也是几乎所有的基准模型进行比较的任务，从最开始比较简单的10分类的灰度图像手写数字识别mnist，到后来更大一点的10分类的cifar10和100分类的cifar100，到后来的imagenet，图像分类任务伴随着数据库的增长，一步一步提升到了今天的水平。现在在Imagenet这样的超过1000万图像，2万类的数据集中，计算机的图像分类水准已经超过了人类。

01

机器学习中分类任务的常用评估指标和python代码实现

混淆矩阵定义为（类x类）大小的矩阵，因此对于二进制分类，它是2x2，对于3类问题，它是3x3，依此类推。为简单起见，让我们考虑二元分类并了解矩阵的组成部分。

01

机器学习：准确率(Precision)、召回率(Recall)、F值(F-Measure)、ROC曲线、PR曲线

增注：虽然当时看这篇文章的时候感觉很不错，但是还是写在前面，想要了解关于机器学习度量的几个尺度，建议大家直接看周志华老师的西瓜书的第2章：模型评估与选择，写的是真的很好！！

02

深度学习Loss合集：一文详解Contrastive Loss/Ranking Loss/Triplet Loss等区别与联系

Ranking Loss被用于很多领域和神经网络任务中（如孪生网络Siamese Nets 或 Triplet Nets），这也是它为什么拥有 Contrastive Loss、Margin Loss、Hinge Loss 或 Triplet Loss 等这么多名字的原因。

01

机器学习之分类性能度量指标 : ROC曲线、AUC值、正确率、召回率

在分类任务中，人们总是喜欢基于错误率来衡量分类器任务的成功程度。错误率指的是在所有测试样例中错分的样例比例。实际上，这样的度量错误掩盖了样例如何被分错的事实。在机器学习中，有一个普遍适用的称为混淆矩阵

04

【代码+推导】常见损失函数和评价指标总结

回归问题中常用的损失函数，在线性回归中，可以通过极大似然估计（MLE）推导。计算的是预测值与真实值之间距离的平方和。实际更常用的是均方误差（Mean Squared Error-MSE）：

08

机器学习-07-分类回归和聚类算法评估函数

本系列是机器学习课程的系列课程，主要介绍机器学习中分类回归和聚类算法中的评价函数。

01

机器学习模型的度量选择（下）

在第一篇中，我们讨论了回归中使用的一些重要指标、它们的优缺点以及用例。这一部分将集中讨论分类中常用的度量，以及在具体的背景中应该选择哪种。

02

你真的懂对抗样本吗？一文重新思考对抗样本背后的含义

对抗样本是各种机器学习系统需要克服的一大障碍。对抗样本的存在表明模型倾向于依赖不可靠的特征来最大化性能，如果特征受到干扰，那么将造成模型误分类，可能导致灾难性的后果。对抗样本的非正式定义：以人类不可感知的方式对输入进行修改，使得修改后的输入能够被机器学习系统误分类，尽管原始输入是被正确分类的。这一修改后的输入即被称为对抗样本。下图阐明了这一概念：

02

《机器学习》笔记-模型评估与选择（2）

作者：刘才权编辑：赵一帆写在最前面如今机器学习和深度学习如此火热，相信很多像我一样的普通程序猿或者还在大学校园中的同学，一定也想参与其中。不管是出于好奇，还是自身充电，跟上潮流，我觉得都值得试一试。对于自己，经历了一段时间的系统学习（参考《机器学习/深度学习入门资料汇总》），现在计划重新阅读《机器学习》[周志华]和《深度学习》[Goodfellow et al]这两本书，并在阅读的过程中进行记录和总结。这两本是机器学习和深度学习的入门经典。笔记中除了会对书中核心及重点内容进行记录，同时，也会增加自己的

06

详解准确率、精确率、召回率、F1值等评价指标的含义

很简单，我们可以定一些评价指标，来度量模型的优劣。比如准确率、精确率、召回率、F1值、ROC、AUC等指标，但是你清楚这些指标的具体含义吗？下面我们一起来看看吧。

05

模型训练完才是业务的开始？说说模型监控 | CSDN博文精选

每次模型训练完成后，并不意味着项目的结束，在训练模型后，我们还需要将其稳定上线，然后部署一套相应的监控体系，这时候模型才开始稳定运行在业务场景中。在我们以往接触的大多文章都只是告诉你如何构建模型，但是在模型上线后的监控同样重要，我们需要通过对模型的监控来掌握模型运作情况，了解业务变化趋势。

03

用R语言实现对不平衡数据的四种处理方法

在对不平衡的分类数据集进行建模时，机器学习算法可能并不稳定，其预测结果甚至可能是有偏的，而预测精度此时也变得带有误导性。那么，这种结果是为何发生的呢？到底是什么因素影响了这些算法的表现？在不平衡的数据中，任一算法都没法从样本量少的类中获取足够的信息来进行精确预测。因此，机器学习算法常常被要求应用在平衡数据集上。那我们该如何处理不平衡数据集？本文会介绍一些相关方法，它们并不复杂只是技巧性比较强。本文会介绍处理非平衡分类数据集的一些要点，并主要集中于非平衡二分类问题的处理。一如既往，我会尽量精简地叙述，在文

08

用R语言实现对不平衡数据的四种处理方法

在对不平衡的分类数据集进行建模时，机器学习算法可能并不稳定，其预测结果甚至可能是有偏的，而预测精度此时也变得带有误导性。那么，这种结果是为何发生的呢？到底是什么因素影响了这些算法的表现？在不平衡的数据中，任一算法都没法从样本量少的类中获取足够的信息来进行精确预测。因此，机器学习算法常常被要求应用在平衡数据集上。那我们该如何处理不平衡数据集？本文会介绍一些相关方法，它们并不复杂只是技巧性比较强。本文会介绍处理非平衡分类数据集的一些要点，并主要集中于非平衡二分类问题的处理。一如既往，我会尽量精简地叙述，在文

用R语言实现对不平衡数据的四种处理方法

在对不平衡的分类数据集进行建模时，机器学习算法可能并不稳定，其预测结果甚至可能是有偏的，而预测精度此时也变得带有误导性。那么，这种结果是为何发生的呢？到底是什么因素影响了这些算法的表现？在不平衡的数据中，任一算法都没法从样本量少的类中获取足够的信息来进行精确预测。因此，机器学习算法常常被要求应用在平衡数据集上。那我们该如何处理不平衡数据集？本文会介绍一些相关方法，它们并不复杂只是技巧性比较强。本文会介绍处理非平衡分类数据集的一些要点，并主要集中于非平衡二分类问题的处理。一如既往，我会尽量精简地叙述，在

03

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭