本文目录一览：
f1score是什么意思
F1-Score又称为平衡F分数（balanced F Score），他被定义为精准率和召回率的调和平均数。在这里插入图片描述 F1-Score指标综合了Precision与Recall的产出的结果。
F1分数（F1 Score），是统计学中用来衡量二分类模型精确度的一种指标。它同时兼顾了分类模型的准确率和召回率。F1分数可以看作是模型准确率和召回率的一种加权平均，它的最大值是1，最小值是0。
是的，F1 Score是精准率和召回率的调和平均值。调和平均值的特点是如果二者极度不平衡，如某一个值特别高、另一个值特别低时，得到的F1 Score值也特别低；只有二者都非常高，F1才会高。
混淆矩阵的简介
在人工智能中，混淆矩阵（confusion matrix）是可视化工具，特别用于监督学习，在无监督学习一般叫做匹配矩阵。
各类混淆矩阵的计算如表表表5和表6所示，根据混淆矩阵，计算可知该分类结果的整体精度为695％，kappa系数为0.55，表明该分类结果和参考影像的一致性为中等水平。
混淆矩阵也称误差矩阵，是表示精度评价的一种标准格式，常用来预测模型的准确率。
强调了产生的混淆矩阵可以作为风机异常状态监测的基线值，可以结合控制图来监测整个风场的运行状态。最后的斜体字强调了一下未来可能的研究工作。通过结论，我们大概知道了论文的研究方法。接着可以去看论文的实验和结果展示部分。-confusionmatrix
ROC曲线其实就是从混淆矩阵衍生出来的图形，以真阳性率(灵敏度，Sensitivity)为纵坐标，假阳性率(1-特异度，1-Specificity)为横坐标绘制的曲线。
图6 检测混淆矩阵 因此，作者提出了一个Self-trained classifier。首先，通过裁剪ground-truth边界框并将每个图像patch的大小调整为64 64来构建训练集。然后选择ResNet18作为分类器网络。-confusionmatrix
confusionmatrix输出结果怎么看
1、输出结果 参考： 基于混淆矩阵的评价指标 识别任务中 混淆矩阵（Confusion Matrix） 用于评价 算法 好坏的指标。
2、表中已经给出四种结果，这四种是混淆矩阵的四个基础指标：将这四个指标一起呈现在表格中，就能得到混淆矩阵（Confusion Matrix），如下图。
3、输出：0.9755555555555555 输出结果：array([[403， 2]， [ 9， 36]])输出结果：0.8 0.8 对于极度偏斜的数据，使用指标精准率和召回率都优于使用指标分类准确度。但精准率和召回率是两个指标。-confusionmatrix
sklearn中ConfusionMatrix
1、参考： 基于混淆矩阵的评价指标 识别任务中 混淆矩阵（Confusion Matrix） 用于评价 算法 好坏的指标。
2、表中已经给出四种结果，这四种是混淆矩阵的四个基础指标：将这四个指标一起呈现在表格中，就能得到混淆矩阵（Confusion Matrix），如下图。
3、混淆矩阵（confusion matrix）说明： TP(True positive)：把正例正确地预测为了正例，如把类别0预测为0的个数有16个。 FN(False negative)：把正例错误地预测为了负列，如把类别1预测为2的个数有5个。-confusionmatrix
4、根据官方文档或者源代码，指定输出混淆矩阵的参数设置，例如 Python 中的 `sklearn.metrics.confusion_matrix` 方法等。
评价-分类算法的评价指标
具体评价指标有总体精度、制图精度、用户精度等，这些精度指标从不同的侧面反映了图像分类的精度。在人工智能中，混淆矩阵（confusion matrix）是可视化工具，特别用于监督学习，在无监督学习一般叫做匹配矩阵。-confusionmatrix
错误率和精度错误率(error_rate)和精度（accuracy）是分类任务中最常用的两个指标，既适用于二分类任务也适用于多分类任务；错误率是分类错误的样本数占样本总数的比例，精度则是分类正确的样本数占样本总数的比例。-confusionmatrix
评估一个二分类的分类器的性能指标有： 准确率、查准率、查全率、F1值、AUC/ROC 。前面几个比较直观，AUC/ROC相对抽象一点。
要对模型做出总体评价，就需要算出所有类别综合之后的总体指标。求总体指标的方法有两种：宏平均(Macro Average)和微平均(Micro Average)。
