Machine learning 如何计算多类总体准确性、敏感性和特异性？

有人能解释一下如何计算多类数据集的准确性、敏感性和特异性吗

---

每个类别的敏感度可根据其

TP/（TP+FN）

每个类别的特异性可以通过其

总氮/（总氮+总磷）

有关概念和方程式的更多信息

对于多类分类，您可以使用一对所有方法

假设有三类：C1、C2和C3

“C1的TP”是分类为C1的所有C1实例

“C1的TN”是所有未分类为C1的非C1实例

“C1的FP”是分类为C1的所有非C1实例

“C1的FN”是所有未分类为C1的C1实例

要找到C2或C3的这四个术语，可以用C2或C3替换C1

用简单的句子：

在2x2中，一旦选择了一个类别为正，另一个类别将自动为负。对于9个类别，你基本上有9种不同的敏感度，这取决于你选择的9个类别中的哪一个是“积极的”。您可以通过将其折叠为2x2来计算这些值，即Class1对not-Class1，然后Class2对not-Class2，依此类推

例子： 我们得到了7种玻璃的混淆矩阵：

=== Confusion Matrix ===

  a  b  c  d  e  f  g   <-- classified as
 50 15  3  0  0  1  1 |  a = build wind float
 16 47  6  0  2  3  2 |  b = build wind non-float
  5  5  6  0  0  1  0 |  c = vehic wind float
  0  0  0  0  0  0  0 |  d = vehic wind non-float
  0  2  0  0 10  0  1 |  e = containers
  1  1  0  0  0  7  0 |  f = tableware
  3  2  0  0  0  1 23 |  g = headlamps

=== Detailed Accuracy By Class ===

 TP Rate  FP Rate  Precision  Recall   F-Measure  MCC      ROC Area  PRC Area  Class
 0.714    0.174    0.667      0.714    0.690      0.532    0.806     0.667     build wind float
 0.618    0.181    0.653      0.618    0.635      0.443    0.768     0.606     build wind non-float
 0.353    0.046    0.400      0.353    0.375      0.325    0.766     0.251     vehic wind float
 0.000    0.000    0.000      0.000    0.000      0.000    ?         ?         vehic wind non-float
 0.769    0.010    0.833      0.769    0.800      0.788    0.872     0.575     containers
 0.778    0.029    0.538      0.778    0.636      0.629    0.930     0.527     tableware
 0.793    0.022    0.852      0.793    0.821      0.795    0.869     0.738     headlamps
 0.668    0.130    0.670      0.668    0.668      0.539    0.807     0.611     Weighted Avg.