多类混淆矩阵

Question

您好！我有一个亚洲货币的多类混淆矩阵，这是我第一次得到这样的东西，这让我很难解释它并识别 TP、TN、FP 和 FN。请帮助我一点，任何帮助将不胜感激，谢谢！

我认为它缺少其他值，因为它大多数只包含对角线值和非对角线值。请帮助我一点，任何帮助将不胜感激，谢谢！

Answer 1

当您的模型能够将货币与图像背景区分开来时，它在货币分类方面做得非常出色。 解释多类分类预测中的真阳性 (TP)、真阴性 (TN)、假阳性 (FP) 和假阴性 (FN) 并不像二元分类预测那样简单。

您显示的图像给出了预测的分数而不是数字，因此不可能从图像中获得每个类别的 TP、TN、FP 和 FN，但从模型输出包含以下信息：

在多类分类中，每个类被视为正类，所有其他类被视为负类，一次一个类。这称为“一对一”或“一对一”。

如果我们有 5 个类别：A、B、C、D 和背景，那么对于 A 类，我们可以得到 TP、TN、FP 和 FN 为：

• TP：A类正确预测的数量。
• TN：B、C、D 类和背景的正确预测数。
• FP：B、C、D 类和背景被错误预测为 A 类的实例数量。
• FN：A 类被错误预测为 B、C、D 类或背景的次数

然后，我们对 B、C、D 类和背景重复此过程，以获得每个类的指标。

---

使用这些数字来计算精度、召回率和 F1 分数，对于多类分类来说又更加复杂。 您可以使用标准公式单独计算每个类别的精度、召回率和 F1 分数。 然而，为了获得整个模型的单一度量，每个类的度量通常是所有类的平均值。有几种方法可以做到这一点：

• 宏观平均：独立计算每个类别的指标，然后对指标进行简单平均。

• 微平均：结合所有类别的贡献来计算平均指标。换句话说，将所有类别的总 TP、TN、FP 和 FN 相加以获得综合值，然后将其用于精度、召回率和 F1 分数。

• 加权平均：计算每个类的指标，然后取加权平均值，其中权重是每个类中的实例数量。