Matrix 如何计算混淆矩阵？

这是我能够生成的WEKA输出。不幸的是，我不知道如何计算混淆矩阵。有人能帮我算一下吗

=== Classifier model (full training set) ===

J48 pruned tree

-----------------

plas <= 127: negative (485.0/94.0)
plas > 127
|   mass <= 29.9
|   |   plas <= 145: negative (41.0/6.0)
|   |   plas > 145
|   |   |   age <= 25: negative (4.0)
|   |   |   age > 25
|   |   |   |   age <= 61: positive (27.0/9.0)
|   |   |   |   age > 61: negative (4.0)
|   mass > 29.9
|   |   plas <= 157
|   |   |   age <= 30: negative (50.0/23.0)
|   |   |   age > 30: positive (65.0/18.0)
|   |   plas > 157: positive (92.0/12.0)

Number of Leaves  : 8

Size of the tree :  15

==分类器模型（完整训练集）===
J48修剪树
-----------------
普拉斯127
|质量29.9
||普拉斯157：阳性（92.0/12.0）
假期数：8
树的大小：15

a。使用WEKA输出构建混淆矩阵。（提示：查看每个叶节点以确定四个象限中每个象限的实例数；并聚合所有叶节点的结果以获得最终计数）

TP=

FP=

FN=

TN=

b。在医学诊断中，通常使用三个指标：敏感性、特异性和诊断准确性。灵敏度定义为TP/（TP+FN）；特异性定义为TN/（FP+TN）；诊断准确率定义为敏感性和特异性的平均值。根据上述混淆矩阵计算诊断准确度

---

如果有人能帮我，我将不胜感激。谢谢大家!

在这里填写所需表格时，您必须了解每一片叶子上的树和图形。 树的根节点是“plas”。它有两个孩子。“plas”小于或等于127的所有输入情况在第一个孩子时出现，而“plas”大于127的所有输入情况在第二个孩子时出现。第一个孩子的叶子上的负数表示第一个孩子的情况都是负数。括号中的图485表示“PLA”小于或等于127的输入案例的数量，94表示在这485个案例中，94个被分类为阴性。树的其余部分也是如此。所以

• TP=145
• FP=39
• TN=461
• FN=123

希望这有帮助。如果有任何疑问，请发表评论。

在“分类”面板中，单击“更多选项”，单击“输出混淆矩阵”，单击“确定”

我添加了相应GUI屏幕和对话框的屏幕截图。在Screenshot中，“更多选项…”按钮（1）变灰，因为我已经单击了它

---

您希望使用哪种语言编写代码？Weka通常不会自动向您提供混淆矩阵吗？您可能还想在一个时间点问这个问题，如果您的问题集中在机器学习而不是具体的实现上，那么这个问题更合适。