考虑标记数据的数量为0 = 1400并且标记为1 = 100的情况。标记为0的数据表示正常操作条件,标记为1
的数据表示异常。仅针对异常事件才触发警报。
假设针对二进制分类获得以下混淆矩阵
cmMatrix =
predicted 0 predicted 1
truth 0 1100 (TN) 300 (FP)
truth 1 30 (FN) 70 (TP)
cmMatrix = [1100,300;30,70];
acc_0 = 100*(cmMatrix(1,1))/sum(cmMatrix(1,:));
acc_1 = 100*(cmMatrix(2,2))/sum(cmMatrix(2,:));
将给出
acc_0 = 78.5714
和acc_1 = 70
从1400个正常事件中读取混乱矩阵,将1100个正确地识别为正常,将300个错误地识别为异常。
然后,在100个异常事件中,有70个被正确检测为异常,而30个被错误检测为异常。
我想计算第1类的灵敏度和特异性,因为这是异常事件检测中的主要关注点。我就是这样
Sensitivity = TP/(TP+FN) = 70/(70+30 ) = 0.70
Specificity = TN/(TN+FP) = 1100/(1100+300) = 0.78
灵敏度是指测试正确检测异常事件的能力。为什么灵敏度如此之低,而与准确性
acc_1
如此之高(70%)不同。这种计算是否正确?各个班级的准确性和敏感性之间有何区别?
我在计算中有没有犯错误?
最佳答案
您的计算是正确的。我认为,鉴于您相对较高的准确性,敏感性和特异性之间的不平衡使您感到困惑。这是正常现象,并且是分类器的常见问题,尤其是当两个类之间没有平均分配时。作为一个思想实验,假设您的分类器是任意确定每个样本都被标记的。这将使您总体获得1400/1500 = 0.9333的准确性,这在您调查敏感性和特异性之前可能看起来非常好,这全都归因于类大小的差异。
因此,当灵敏度非常低时会产生误导性的高精度,因此显示F1分数可能更具代表性:https://en.wikipedia.org/wiki/F1_score
关于matlab - 从混淆矩阵计算灵敏度和特异性,我们在Stack Overflow上找到一个类似的问题:https://stackoverflow.com/questions/51513311/