如何从朴素贝叶斯模型计算每个班级的准确性，准确性和召回率？
我正在使用嵌入式数据集：针对朴素贝叶斯的虹膜和包装树以及包装e1071。混淆矩阵如下：
prediction setosa versicolor virginica
setosa 29 0 0
versicolor 0 20 2
virginica 0 3 21
附注：请注意，我正在使用75个条目作为训练集，而其他用于测试：
iris.train <- c(sample(1:150, 75)) # have selected 75 randomly
最佳答案
在整个答案中，mat是您描述的混淆矩阵。
您可以使用以下方法计算和存储准确性：
(accuracy <- sum(diag(mat)) / sum(mat))
# [1] 0.9333333
可以使用以下公式计算每个类别的精度（假设预测在行上，真实结果在列上）：
(precision <- diag(mat) / rowSums(mat))
# setosa versicolor virginica
# 1.0000000 0.9090909 0.8750000
如果要获取特定类的精度，可以执行以下操作：
(precision.versicolor <- precision["versicolor"])
# versicolor
# 0.9090909
可以使用以下公式计算每个类别的召回率（再次假设预测位于行中，而真实结果位于列中）：
recall <- (diag(mat) / colSums(mat))
# setosa versicolor virginica
# 1.0000000 0.8695652 0.9130435
如果您想召回特定班级，可以执行以下操作：
(recall.virginica <- recall["virginica"])
# virginica
# 0.9130435
相反，如果您将真实结果作为行，将预测结果作为列，那么您将翻转精度并调用定义。
数据：
(mat = as.matrix(read.table(text=" setosa versicolor virginica
setosa 29 0 0
versicolor 0 20 2
virginica 0 3 21", header=T)))
# setosa versicolor virginica
# setosa 29 0 0
# versicolor 0 20 2
# virginica 0 3 21
关于r - 多类别模型的准确性，精确度和召回率，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/33081702/