计算朴素贝叶斯分类器的准确度、精确度和召回率（手动计算）答案

【问题标题】：Calculate Accuracy, Precison and Recall for Naive Bayes classifier (Manual Calculation)计算朴素贝叶斯分类器的准确度、精确度和召回率（手动计算）
【发布时间】：2018-11-26 16:55:38
【问题描述】：

成为 R 和 NB 分类器的新手。我想确认我手动计算的准确度、精确度和召回率是正确的。我也很好奇是否有任何包可用于这种类型的计算。

为了准确起见，我使用了 sum diag/总行数。

为了精确，我做了行的诊断/总和

回想一下，我做了列的诊断/总和

> t<-CrossTable(test_pred1,test_labels, prop.chisq = T, prop.t = T, prop.r = FALSE,
+            dnn = c('predicted', 'actual'))


   Cell Contents
|-------------------------|
|                       N |
| Chi-square contribution |
|           N / Col Total |
|         N / Table Total |
|-------------------------|


Total Observations in Table:  31 


             | actual 
   predicted |         f |         t | Row Total | 
-------------|-----------|-----------|-----------|
           f |         6 |        15 |        21 | 
             |     0.062 |     0.022 |           | 
             |     0.750 |     0.652 |           | 
             |     0.194 |     0.484 |           | 
-------------|-----------|-----------|-----------|
           t |         2 |         8 |        10 | 
             |     0.131 |     0.045 |           | 
             |     0.250 |     0.348 |           | 
             |     0.065 |     0.258 |           | 
-------------|-----------|-----------|-----------|
Column Total |         8 |        23 |        31 | 
             |     0.258 |     0.742 |           | 
-------------|-----------|-----------|-----------|

我的手动计算：

> sum(diag(t$t))/sum(t$t) #Accuracy
[1] 0.4516129
> diag(t$t)/21 #Precision for F
        f         t 
0.2857143 0.3809524 
> diag(t$t)/10 #Precison for T
  f   t 
0.6 0.8 
> 
> diag(t$t)/8 #Recall for F
   f    t 
0.75 1.00 
> diag(t$t)/23 #Recall for T
        f         t 
0.2608696 0.3478261

提前致谢，

【问题讨论】：

我希望有人能完整地回答你的问题，尤其是关于你是否正确计算的问题。

标签： r precision naivebayes

【解决方案1】：

您可以使用caret 包中的confusionMatrix() 函数，这是一个示例：

require(caret)
confusionMatrix(test_pred1, test_labels)

这个函数需要两个相同长度的因子向量，“预测的”和“实际的”。您可以使用as.factor(test_pred1) 来强制向量上的因子类型。

有关详细信息，请参阅?confusionMatrix。输出包含分类问题所需的所有指标。

【讨论】：