R语言 如何在R编程中计算精度

在这篇文章中，我们将学习如何使用R编程语言中的混淆矩阵来计算精度。

精度

一个数字量的精度表示该量的精确程度。通常情况下，这是以比特为单位的，尽管它也可以是十进制的数字。它与数学精度有关，数学精度指的是表示一个数值所需的数字数量。

混淆矩阵

这个用于衡量性能的矩阵总结了分类算法的表现如何。每一类预测值和实际值都与正确和错误预测的总数一起列出。它提供了关于所产生的错误类型的信息，这比仅仅是分类器所犯的错误更重要。

混淆矩阵

在R编程语言中计算精度的逐步程序

第1步： 这一步将定义两个向量，一个是实际值，另一个是任何模型的预测值；此外，我们将使用这两个向量来计算预测值的精度。

# Creating data sets
actual_v <-  c(1,0,1,0,1,0,1,
               0,1,0,1,0,1,0,1,0,1) 
predict_v <- c(1,0,1,0,1,1,0,
               0,1,1,0,0,1,1,1,0,0)
  
# printing data sets
print(actual_v)
print(predict_v)

输出 。

> print(actual_v)
 [1] 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1
> print(predict_v)
 [1] 1 0 1 0 1 1 0 0 1 1 0 0 1 1 1 0 0

第2步： 在这一步，我们要创建一个混淆矩阵，这将提供一个2×2的矩阵。从这个矩阵中，我们可以得到真阳性和假阳性的值，这些值将分别进一步用于计算精度的公式中。

# Creating Data sets
actual_v <-  c(1,0,1,0,1,0,1,
               0,1,0,1,0,1,0,1,0,1) 
predict_v <- c(1,0,1,0,1,1,0,
               0,1,1,0,0,1,1,1,0,0)
  
# Assuming thershold to be 0.5
table(ACTUAL=actual_v,
      PREDICTED=predict_v > 0.5)

输出 。

      PREDICTED
ACTUAL FALSE TRUE
     0     5    3
     1     3    6

我们可以看到，在输出中，我们的[实际错误，预测错误]是5，因为在实际数据中，错误值在预测数据中也是错误的。同样地，我们也可以分析其他的值。

第3步： 这是最后一步，我们将使用混淆矩阵中的真阳性和假阳性值来计算精度，从而得到精度值。

精度的公式

Precision : True Positive / (True Positive + False Positive)

从上面计算的混淆矩阵来看。

TP(True Positive) = 6
FP(False Positive) = 3
Precision=6/(6+3) = 0.6666667

# calculating precision
precision <- 6/(3+6)
# Printing precision
print("The Precision score is:")
print(precision)

输出 。

[1] "The Precision score is:"
> print(precision)
[1] 0.6666667