5

次の混同行列を取得しました。次に、精度、再現率、および FScore を計算する必要があります。取得した値を使用してそれを行うにはどうすればよいですか? 混同行列と統計

      Reference
Prediction One Zero
      One   37   43
      Zero  19  131

               Accuracy : 0.7304          
                 95% CI : (0.6682, 0.7866)
    No Information Rate : 0.7565          
    P-Value [Acc > NIR] : 0.841087        

                  Kappa : 0.3611          
 Mcnemar's Test P-Value : 0.003489        

            Sensitivity : 0.6607          
            Specificity : 0.7529          
         Pos Pred Value : 0.4625          
         Neg Pred Value : 0.8733          
             Prevalence : 0.2435          
         Detection Rate : 0.1609          
   Detection Prevalence : 0.3478          
      Balanced Accuracy : 0.7068          

       'Positive' Class : One

他のユーザーからの提案の後、次の編集されたコードを使用しました 

library(class)
library(e1071)
library(caret)
library(party)
library(nnet)
library(forecast)
pimad <- read.csv("C:/Users/USER/Desktop/AMAN/pimad.csv")
nrow(pimad)  
set.seed(9850)
gp<-runif(nrow(pimad))
pimad<-pimad[order(gp),]
idx <- createDataPartition(y = pimad$class, p = 0.7, list = FALSE)
train<-pimad[idx,]
test<-pimad[-idx,]
svmmodel<-svm(class~.,train,kernel="radial")
psvm<-predict(svmmodel,test)
table(psvm,test$class)
library(sos)
findFn("confusion matrix precision recall FScore")
df<-(confusionMatrix(test$class, psvm))
dim(df)
df[1,2]/sum(df[1,2:3])
df
4

3 に答える 3

6

他に何もする必要はありません。要求されたすべてのメジャーが df にあります。次のように入力します。

ls(df) [1] "byClass" "dots" "mode" "overall" "positive" "table"

df$byClass # これは私が取り組んだ別の例です

感度、特異度、陽性予測値、陰性予測値、精度、再現率、F1、有病率、検出率、検出率、バランス精度を含むすべてのパラメータが表に表示されます

于 2016-11-30T05:23:30.753 に答える
1

まあ、それは行列をサブセット化する単純な計算です。

混同行列が と呼ばれる場合、こちらとこちらdfの式を使用します。

df
  Prediction One Zero
1        One  37   43
2       Zero  19  131

# Precision: tp/(tp+fp):
df[1,1]/sum(df[1,1:2])
[1] 0.4625

# Recall: tp/(tp + fn):
df[1,1]/sum(df[1:2,1])
[1] 0.6607143

# F-Score: 2 * precision * recall /(precision + recall):
2 * 0.4625 * 0.6607143 / (0.4625 + 0.6607143)
[1] 0.5441177
于 2015-11-07T12:36:47.887 に答える