逻辑回归 混淆矩阵
逻辑回归是一种二分类算法，可以将输入特征与输出概率之间的关系建模为一个逻辑函数。混淆矩阵（confusion matrix）是用于评估分类模型的性能的一种方法，它是一个表格，显示了模型对样本分类的准确性和错误性。
混淆矩阵将测试样本划分为四个不同的类别：正则化逻辑回归
- True Positive (TP): 正样本被正确地预测为正样本
- True Negative (TN): 负样本被正确地预测为负样本
- False Positive (FP): 负样本被错误地预测为正样本
- False Negative (FN): 正样本被错误地预测为负样本
根据这四个类别，混淆矩阵可以表示为以下形式：
                  预测为正样本（Positive）  预测为负样本（Negative）
实际为正样本（Positive）        TP                        FN
实际为负样本（Negative）        FP                        TN
混淆矩阵可以用来计算分类模型的准确率（accuracy）、召回率（recall）、精确率（precision）和 F1 分数等指标，可以对模型的性能进行全面的评估。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。