是否有使用Matlab计算精度和召回率的函数？

我在matlab中计算分类器的精度和召回率方面有问题。我使用Fisherris数据（由150个数据点、50个setosa、50个VersionColor、50个virginica组成）。我用kNN算法分类。这是我的混淆矩阵：

50     0     0
 0    48     2
 0     4    46

正确分类率为96%（144/150），但如何使用matlab计算准确率和召回率，有什么功能吗？ 我知道精度=tp/（tp+fp）和召回率=tp/（tp+fn）的公式，但我在识别组件方面迷失了方向。例如，我能说矩阵中的真正数是144吗？假阳性和假阴性呢？

---

请帮忙！！！我真的很感激！谢谢大家!

正如丹在评论中指出的那样，精度和召回率通常只针对二进制分类问题定义

但您可以分别计算每个类的精确度和召回率。让我们稍微注释一下您的混淆矩阵：

          |                  true           |
          |      |  seto  |  vers  |  virg  |
          -----------------------------------
          | seto |   50        0        0
predicted | vers |    0       48        2
          | virg |    0        4       46

在这里，我假设通常的约定成立，即列用于真实值，行用于学习算法预测的值。（如果矩阵是以相反的方式构建的，只需对混淆矩阵进行转置即可。）

每个类（=行/列索引）

i

的真正正值（

tp（i）

）由该行/列中的对角线元素给出。真正的负数（

tn

）由剩余对角线元素之和给出。注意，我们只是将每个类

i

的否定定义为“非类

i

”

如果我们将误报（

fp

）和误报（

fn

）分别类似地定义为给定行或列中非对角项的总和，我们可以计算每个类别的精度和召回率：

precision(seto) = tp(seto) / (tp(seto) + fp(seto)) = 50 / (50 + (0 + 0)) = 1.0
precision(vers) = 48 / (48 + (0 + 2)) = 0.96
precision(virg) = 46 / (46 + (0 + 4)) = 0.92

recall(seto) = tp(seto) / (tp(seto) + fn(seto)) = 50 / (50 + (0 + 0)) = 1.0
recall(vers) = 48 / (48 + (0 + 4)) = 0.9231
recall(virg) = 46 / (46 + (0 + 2)) = 0.9583

这里我使用类名而不是行索引来进行说明

请查看的答案，以获取关于多类别分类问题的性能度量的更多信息，特别是如果您希望每个类别都有一个数字，而不是一个数字。当然，最简单的方法就是平均每个类的值

更新 我意识到您实际上是在寻找一个Matlab函数来实现这一点。我不认为有任何内置函数，在Matlab文件交换上我只找到了一个。但是，任务非常简单，您可以轻松定义自己的函数，如下所示：

function y = precision(M)
  y = diag(M) ./ sum(M,2);
end

function y = recall(M)
  y = diag(M) ./ sum(M,1)';
end

这将返回一个列向量，分别包含每个类的精度和召回值。现在你只需打电话

>> mean(precision(M))

ans =

    0.9600

>> mean(recall(M))

ans =

    0.9605

---

获取模型的平均精度和召回率值。

要添加到pederpansen的答案中，以下是一些匿名Matlab函数，用于计算每个类的精度、召回率和F1分数，以及所有类的平均F1分数：

precision = @(confusionMat) diag(confusionMat)./sum(confusionMat,2);

recall = @(confusionMat) diag(confusionMat)./sum(confusionMat,1)';

f1Scores = @(confusionMat) 2*(precision(confusionMat).*recall(confusionMat))./(precision(confusionMat)+recall(confusionMat))

meanF1 = @(confusionMat) mean(f1Scores(confusionMat))

另一种方法

   confMat=[50,0,0;0,48,2;0,4,46];

for i =1:size(confMat,1)
    precision(i)=confMat(i,i)/sum(confMat(i,:)); 
end
precision(isnan(precision))=[];
Precision=sum(precision)/size(confMat,1);

for i =1:size(confMat,1)
    recall(i)=confMat(i,i)/sum(confMat(:,i));  
end

Recall=sum(recall)/size(confMat,1);

F_score=2*Recall*Precision/(Precision+Recall);

---

使用以下matab代码

   actual = ...
   predicted= ...
   cm = confusionmat(actual,predicted);
   cm = cm';
   precision = diag(cm)./sum(cm,2);
   overall_precision = mean(precision)
   recall= diag(cm)./sum(cm,1)';
   overall_recall = mean(recall)

---

对不起，对不起，我们谈论的是不同的数据。你怎么能得到144？我通过对混淆矩阵的对角线求和得到这个数字，50+48+46，考虑到正确分类的数据，你有3个类？您确定precision和recall可以推广到包含两个以上类的分类吗？@user19565只是一个警告，这里在precision和recall中使用confusionMat是错误的，应该将其转置（行索引表示实际标签索引）。一个简单的示例，其中所有内容都被预测为标签2:recall（[0,5；0,5]）=[NaN，0.5]，而recall（[0,5；0,5]）。）=[0 1]返回正确的结果。否则，您将得到错误的结果。