首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

如何创建混淆矩阵并确定R中50%的截止值的效果?

创建混淆矩阵并确定R中50%的截止值的效果,是在评估分类模型性能时常用的一种方法。混淆矩阵是一个2x2的表格,用于展示分类模型的预测结果与真实情况的对比。在混淆矩阵中,四个元素分别表示真阳性(True Positive, TP)、假阳性(False Positive, FP)、真阴性(True Negative, TN)、假阴性(False Negative, FN)。根据混淆矩阵可以计算出各种评估指标,如准确率、精确率、召回率、F1值等。

下面是一个示例的混淆矩阵:

| | 预测正例(P) | 预测反例(N) | |-----------|--------------|--------------| | 真实正例(P) | TP | FN | | 真实反例(N) | FP | TN |

在R中,可以使用混淆矩阵函数(confusion matrix)来创建混淆矩阵,并使用相关函数计算评估指标。假设我们有一个二分类的预测结果pred和真实标签label,可以使用以下代码创建混淆矩阵:

代码语言:txt
复制
# 创建混淆矩阵
conf_matrix <- table(pred, label)

# 计算评估指标
accuracy <- sum(diag(conf_matrix)) / sum(conf_matrix)
precision <- conf_matrix[1,1] / sum(conf_matrix[,1])
recall <- conf_matrix[1,1] / sum(conf_matrix[1,])
f1 <- 2 * precision * recall / (precision + recall)

其中,pred表示预测结果的向量,label表示真实标签的向量。通过table函数可以将它们转化为混淆矩阵。sum函数用于计算混淆矩阵的各项之和,diag函数用于提取矩阵的对角线元素。

确定R中50%的截止值的效果是指确定一个合适的分类阈值,使得模型的分类结果能够达到一定的准确度。一般情况下,分类模型的输出是一个概率值,当概率大于等于阈值时,预测为正例;当概率小于阈值时,预测为反例。通过调整阈值,可以调节分类模型在准确率和召回率之间的平衡。

为了确定合适的截止值,可以使用ROC曲线(Receiver Operating Characteristic)和AUC值(Area Under Curve)进行评估。ROC曲线可以展示分类模型在不同阈值下的真阳性率(True Positive Rate)和假阳性率(False Positive Rate)之间的关系,AUC值则表示ROC曲线下的面积大小,用于评估分类模型的性能。

具体而言,在R中可以使用pROC包来绘制ROC曲线和计算AUC值:

代码语言:txt
复制
library(pROC)

# 计算ROC曲线和AUC值
roc_obj <- roc(label, pred)
auc_value <- auc(roc_obj)

# 绘制ROC曲线
plot(roc_obj, main = "ROC Curve", print.auc = TRUE)

通过以上代码,可以得到ROC曲线和AUC值,并据此评估分类模型的性能。根据具体需求,可以选择相应的截止值以达到期望的分类效果。

关于混淆矩阵和ROC曲线的更多信息,可以参考以下腾讯云产品和文档:

  1. 混淆矩阵 - 维基百科
  2. Confusion matrix - scikit-learn documentation
  3. pROC: an open-source package for R and S+ to analyze and compare ROC curves
  4. 如何计算模型预测的准确率、精确率、召回率、F1值等评估指标 - 腾讯云文档
页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

R语言逻辑回归预测分析付费用户

问题描述 我们尝试并预测用户是否可以根据数据中可用的人口信息变量使用逻辑回归预测月度付费是否超过 50K。...在这个过程中,我们将: 1.导入数据2.检查类别偏差3.创建训练和测试样本4.建立logit模型并预测测试数据5.模型诊断 检查类偏差 理想情况下,Y变量中事件和非事件的比例大致相同。...所以,我们首先检查因变量ABOVE 50K中的类的比例。 0 1 24720 7841 显然,不同付费人群比例 有偏差 。所以我们必须以大致相等的比例对观测值进行抽样,以获得更好的模型。...构建Logit模型和预测 确定模型的最优预测概率截止值默认的截止预测概率分数为0.5或训练数据中1和0的比值。但有时,调整概率截止值可以提高开发和验证样本的准确性。...混淆矩阵 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。其每一列代表预测值,每一行代表的是实际的类别。

97600

轻松搞懂中文分词的评测

6人; 有了混淆矩阵,精准率、召回率和F1值这三个指标就能够确定了。...P = 1%,召回率R = 100%,此时的F1 = 1.98%; 假设精准率P = 50%,召回率R = 50%,此时的F1 = 50%; 有了精准率、召回率以及F1值的计算方式,接下来通过上面癌症预测系统的混淆矩阵来计算精准率...这也是为什么说有了混淆矩阵,精准率、召回率以及F1值这三个指标就基本确定的原因。...c 中文分词中P、R、F1的计算 由于F1值的本质就是计算精准率P和召回率R的调和平均值,因此有了精准率和召回率,自然可以求出F1值,因此接下来主要介绍如何计算中文分词的精准率和召回率。...▍ 如何映射到混淆矩阵中 原始混淆矩阵中的元素表示满足对应条件的样本个数,而我们现在仅仅有由区间构成的集合。

1.5K40
  • R语言实现逻辑回归模型

    ,交叉表通常称为混淆矩阵。...表1 混淆矩阵 现在,我们现在更详细地考虑混淆矩阵。名称真阳性(TP),真阴性(TN),假阳性(FP)和假阴性(FN)通常用于参考燃烧矩阵的四个细胞。...从混淆矩阵导出诸如灵敏度,特异性和普遍性的度量的计算。这些(和其他)度量的重要性取决于数据的性质(例如,如果认为数据难以预测,则较低的值可能是可接受的),以及对错误分类类型的容忍度。...AUC(曲线下面积)用于量化ROC的轮廓,从图4中可以看到,AUC的值为0.952,模型效果很不错。 注: 本文选自于清华大学出版社出版的《深入浅出R语言数据分析》一书的小节,略有改动。...活动方式: 在本公众号下留言区留言,分享一下你学习R的经历或者其他感受,点赞数最高的2位小伙伴获得 《深入浅出R语言数据分析》 一书,免费包邮哦!截止时间 至2020年12月10日20点整。

    4.7K20

    Science:对时-频调制的不同敏感性支持了大脑对旋律和语音的不对称处理

    对行为学实验中被试对在时域上不同滤波值的声学材料的分辨得分和不同的滤波截止值进行线性回归发现高通滤波的截止值和被试标准后的句子分辨得分显著正相关(图2b中左上淡蓝色),对行为学实验中被试对在频谱上不同截止滤波的声学材料的判断得分和不同的截止值进行线性回归分析发现...通过计算从神经数据分类中提取的混淆矩阵(对于每个被试的全脑,利用上述分析中由searchlight获得的对每个刺激的预测准确率和其本来的标签所构建起来的混淆矩阵,混淆矩阵又称为可能性表格或是错误矩阵。...它是一种特定的矩阵用来呈现算法性能的可视化效果,通常是有监督学习用来表征模型效能的方法。其每一列代表预测值,每一行代表的是实际的类别。...作者使用了NMI来衡量这两组混淆矩阵之间的关系,(NMI衡量的是对一幅图像的了解在多大程度上减少了对另一幅图像的不确定性,这种方法常用于分析聚类结果和真实的社团划分之间的差异,值在0-1之间,这种方法用在这里可以评估行为学构建的一组混淆矩阵数据与神经影像数据所构建的混淆矩阵之间的关系...使用了和我们上文中描述的一样的NMI方法,构建出了行为数据对不同类型(句子和旋律)degradation的混淆矩阵和神经影像数据的混淆矩阵,然后计算了NMI,并使用相同的偏侧化计算方法,计算了degradation

    70320

    数据分享|R语言SVM支持向量机用大学生行为数据对助学金精准资助预测ROC可视化

    模型评估 在机器学习和统计分类中,混淆矩阵,也被称为误差矩阵,是一个特定表,其允许算法,通常是监督学习的性能的可视化(在无监督学习,通常被称为匹配矩阵)。...在预测分析中,混淆表(有时也称为混淆矩阵)报告假阳性,假阴性,真阳性和真阴性的数量。这比正确率具有更详细的分析。...完美的ROC是在图中的左上角的点,该点的TP比例是1.0和FP比例为0。它描述的是分类混淆矩阵中FPR-TPR两个量之间的相对变化情况。...如果二元分类器输出的是对正样本的一个分类概率值,当取不同阈值时会得到不同的混淆矩阵,对应于ROC曲线上的一个点。...、Adaboost、梯度提升(GBM)算法进行回归、分类和动态可视化 如何用R语言在机器学习中建立集成模型?

    22810

    你知道这11个重要的机器学习模型评估指标吗?

    对这个问题的预测结果是概率输出,假设阈值为0.5,将这些概率输出转换为类输出。 1. 混淆矩阵(Confusion Matrix) 混淆矩阵是一个NxN矩阵,其中N是预测的类数。...使用ROC曲线的最大优点是它独立于responders比例的变化。让我们首先尝试了解什么是ROC(接收者操作特征)曲线。如果我们看下面的混淆矩阵,我们观察到对于概率模型,我们得到每个度量的不同值。...以阈值为0.5为例,下面是对应的混淆矩阵: ? 你可以看到,这个阈值的灵敏度是99.6%,(1-特异性)约为60%。这一对值在我们的ROC曲线中成为一个点。...这是因为它具有从混淆矩阵的柱状计算中出来的两个轴。在响应率变化的情况下,x轴和y轴的分子和分母将以类似的比例改变。 6. 对数损失(Log Loss) AUC ROC考虑用于确定模型性能的预测概率。...在Kaggle比赛中,你可能更多地依赖交叉验证分数而不是Kaggle公共分数。通过这种方式,你将确保公共分数不仅仅是偶然的。 我们如何使用任意模型上实现k折? R和Python中的k折编码非常相似。

    3.6K40

    如何评估机器学习模型的性能

    以相同的方式,如上所述,可以使用许多参数和新技术对机器学习模型进行广泛的训练,但是只要您跳过它的评估,就不能相信它。 混淆矩阵 混淆矩阵 是一个模型的预测和数据点的实际类别标签之间的相关性的矩阵。...现在,我们如何绘制ROC? 为了回答这个问题,让我带您回到上面的表1。仅考虑M1模型。您会看到,对于所有x值,我们都有一个概率得分。在该表中,我们将得分大于0.5的数据点分配为类别1。...只要所有模型在根据概率得分排序后给出相同顺序的数据点,所有模型的AUC都将相同。 对数损失 该性能度量检查数据点的概率得分与截止得分的偏差,并分配与偏差成比例的惩罚。...假设有一个非常简单的均值模型,无论输入数据如何,均能每次预测目标值的平均值。 现在我们将R²表示为: ?...摘要 因此,简而言之,您应该非常了解您的数据集和问题,然后您始终可以创建一个混淆矩阵,并检查其准确性,精度,召回率,并绘制ROC曲线,并根据需要找出AUC。

    1.1K20

    11个重要的机器学习模型评估指标

    混淆矩阵 混淆矩阵是一个N×N矩阵,N是预测的类的数量。针对目前的问题,有N = 2,因此得到一个2×2的矩阵。...你需要记住以下这些关于混淆矩阵的定义: · 准确性:正确预测的结果占总预测值的比重 · 阳性预测值或查准率:预测结果是正例的所有结果中,正确模型预测的比例 · 阴性预测值:预测结果是负例的所有结果中,错误模型预测的比例...下图本案例的ROC曲线。 以阈值为0.5为例(参考混淆矩阵)。这是混淆矩阵: 如你所见,此时敏感度为99.6%,(1-特异性)大约为60%。该坐标在ROC曲线中成为点。...这是因为它有两个来自混淆矩阵柱状计算中的轴。在响应率变化的情况下,x轴和y轴的分子和分母也会有相应的改变。 6. 对数损失 确定模型性能时AUC-ROC会考虑预测概率。...如何使用任何型号实现k折? R和Python中的k折编码非常相似。

    1.8K10

    Rasa 聊天机器人专栏(五):模型评估

    (默认值:10) 比较模式: -r RUNS, --runs RUNS 要进行的比较运行次数。...70 90 上例中的命令将根据你的数据创建一个训练/测试划分,然后多次训练每个管道,其中分别从训练集中排除0,25,50,70和90%的意图数据,然后在测试集上评估模型,并记录每个排除百分比的f1-...混淆矩阵向你显示哪些意图被误认为是其他意图;任何错误预测的样本都会被记录并保存到名为errors.json的文件中,以便于调试。...注意:只有在测试集上评估模型时,才会创建混淆矩阵。在交叉验证模式下,将不会生成混淆矩阵。 警告:如果你的任何实体被错误地注释,你的评估可能会失败。一个常见问题是实体无法在标记内停止或启动。...此外,这会将混淆矩阵保存到名为results/story_confmat.pdf的文件中。对于你域中的每个操作,混淆矩阵会显示操作的正确预测频率以及预测错误操作的频率。

    2.3K31

    基于 mlr 包的 K 最近邻算法介绍与实践(下)

    混淆矩阵是测试集中每个实例的真实类和预测类的表格表示。 在 mlr 包中,使用 calculateConfusionMatrix() 函数可计算混淆矩阵。...相对混淆矩阵中,不是真实类和预测类的组合的情况数,而是比例。/ 前面的数字是这一行在这一列的比例,/ 后面的数字是这一列在这一行的比例。...例如,在这个矩阵中,92% 的非糖尿病被正确分类,而 8% 被错误分类为化学糖尿病患者。 混淆矩阵帮助我们了解我们的模型对哪些类分类得好,哪些类分类得差。...如何选择参数 k 来优化 KNN 模型 在 KNN 算法中, k 属于超参数,即可以控制模型预测效果的变量或选项,不能由数据进行估计得到。...mlr 包中的函数实现 KNN 算法外, R 语言中还有 knn 或 kknn 函数也可实现 k 近邻分类和有权重的 k 近邻分类,相关的函数用法读者们可参考 R 中的帮助说明。

    1.2K41

    一图胜千言!机器学习模型可视化!!

    在本节中,我们将介绍机器学习可视化效果,这些可视化效果有助于我们更好地了解模型的性能。 混淆矩阵 混淆矩阵是评估分类模型性能的基本工具。...多类模型的混淆矩阵遵循相同的一般思路。对角线元素表示正确分类的实例(即,模型的输出与真实值匹配),而非对角线元素表示错误分类。...如前所述,对角线中的元素表示真实的类,对角线外的元素表示模型混淆类的情况,因此得名“混淆矩阵”。 以下是该图的三个关键要点: 对角线:理想情况下,矩阵的主对角线应填充最高数字。...在许多现实世界的场景中,情况并非如此。然后,生成第二个混淆矩阵,显示正确分类的可能性(而不是样本的绝对数量)可能会有所帮助。 颜色渐变和百分比注释等视觉增强功能使混淆矩阵更加直观且易于解释。...下面是我们刚刚执行的网格搜索的可视化效果: 网格搜索可视化示例:使用不同值的 gamma 和 C 进行 SVM 分类器训练如何在测试集上执行 |源 从图中可以看出,伽马的值对支持向量机的性能影响很大。

    74410

    R语言中回归和分类模型选择的性能指标

    值-1表示完全负相关,值1表示完全正相关,而值0表示没有相关。 R2确定系数 确定系数R2 定义为 其中  是平方的残差和,是平方   的总和。...对于模型选择,R2R2等效于RMSE,因为对于基于相同数据的模型,具有最小MSE的模型也将具有最大值     。 可以根据相关系数或根据解释的方差来解释确定系数。...分类模型的绩效指标 二进制分类的许多性能度量均依赖于混淆矩阵。假设有两个类别,00和11,其中11表示特征的存在(正类),00表示特征的不存在(负类)。...相应的混淆矩阵是具有以下结构的2×22×2表: 预测/参考 0 1个 0 TN FN 1个 FP TP 其中TN表示真实否定的数量(模型正确预测否定类别),FN表示假否定的数量(模型错误地预测否定类别...准确性与敏感性和特异性 基于混淆矩阵,可以计算准确性,敏感性(真阳性率,TPR)和特异性(1-假阳性率,FPR): 准确性表示正确预测的总体比率。

    1.6K00

    深度学习笔记 常用的模型评估指标

    文章目录 一、从混淆矩阵谈起 二、Precision、Recall、PRC、F1-score 三、ROC & AUC 四、如何选择评估指标? 五、IOU “没有测量,就没有科学。”...图(a)就是有名的混淆矩阵,图(b)由混淆矩阵推出的一些有名的评估指标。 我们首先好好解读一下混淆矩阵里的一些名词和其意思。...根据混淆矩阵我们可以得到TP,FN,FP,TN四个值,显然TP+FP+TN+FN=样本总数。...,下面对混淆矩阵的四个值进行总结性讲解: True Positive (真正,TP)被模型预测为正的正样本 True Negative(真负 , TN)被模型预测为负的负样本 False Positive...使用 IOU 评价指标后,上面提到的问题一下子解决了:我们控制并集不要让并集太大,对准确预测是有益的,这就有效抑制了“一味地追求交集最大”的情况的发生。下图的2,3小图就是目标检测效果比较好的情况。

    52210

    R语言SVM支持向量机用大学生行为数据对助学金精准资助预测ROC可视化

    模型评估在机器学习和统计分类中,混淆矩阵,也被称为误差矩阵,是一个特定表,其允许算法,通常是监督学习的性能的可视化(在无监督学习,通常被称为匹配矩阵)。...在预测分析中,混淆表(有时也称为混淆矩阵)报告假阳性,假阴性,真阳性和真阴性的数量。这比正确率具有更详细的分析。...完美的ROC是在图中的左上角的点,该点的TP比例是1.0和FP比例为0。它描述的是分类混淆矩阵中FPR-TPR两个量之间的相对变化情况。...如果二元分类器输出的是对正样本的一个分类概率值,当取不同阈值时会得到不同的混淆矩阵,对应于ROC曲线上的一个点。...,可以认为该模型的分类效果非常好。

    16110

    评估和选择最佳学习模型的一些指标总结

    混淆矩阵 对于分类模型使用混淆矩阵是一个非常好的方法来评估我们的模型。它对于可视化的理解预测结果是非常有用的,因为正和负的测试样本的数量都会显示出来。并且它提供了有关模型如何解释预测的信息。...F1 Score:是查准率和查全率的加权平均值。 我们还是使用前面示例中构建的数据和模型来构建混淆矩阵。...在二分类的混淆矩阵中,我们看到了标签 [1] 的错误分类数据较少。...在ROC曲线中曲线越凸向左上角越好,在P-R曲线中,曲线越凸向右上角越好。P-R曲线判断模型的好坏要根据具体情况具体分析,有的项目要求召回率较高、有的项目要求精确率较高。...P-R曲线的绘制跟ROC曲线的绘制是一样的,在不同的阈值下得到不同的Precision、Recall,得到一系列的点,将它们在P-R图中绘制出来,并依次连接起来就得到了P-R图。

    45820

    作为一个深度学习新手团队,我是如何拿到 Kaggle 比赛第三名的?

    多亏了Thomas Capelle在Kaggle上的入门内核,它为如何解决这个问题提供了很多洞见,同时也为Fast.ai团队创建了一个令人惊叹的深度学习课程,简化了许多困难的深度学习概念。...在这个比赛的数据集中,标签是存储在CSV文件中的。 要了解表格中score这一列是如何计算得到的,请查看原文。 使用seaborn库的countplot函数来绘制训练数据的分布。...第一阶段训练的矩阵信息 保存模型并绘制关于预测的混淆矩阵 learn.save('resnet50-stg1') 使用混淆矩阵查看结果 绘制混淆矩阵 混淆矩阵是以图形化的方式来查看模型对于图片确和不正确的预测结果...绘制混淆矩阵 经过和上次绘制的混淆矩阵的对比,你会发现这个模型能够得到更好的预测结果。 第二阶段训练的混淆矩阵 相比前面来说,错误分类了7张没有包含油棕人工林的图片,现在降到了3张,这是一种进步了。...1小的值,随机选择1到max_zoom的值按照概率p_affine的值应用 max_warp : 如果设置为None,在-max_warp到max_warp之间随机确定对称扭曲的程度,按照概率p_affine

    1.5K11

    从零开始学Python【38】--朴素贝叶斯模型(实战部分)

    两个部分的数据集一共包含245 057条样本和4个变量,其中用于识别样本是否为人类面部皮肤的因素是图片中的三原色R、G、B,它们的值均落在0~255;因变量为二分类变量,表示样本在对应的R、G、B值下是否为人类面部皮肤...为检验模型在测试数据集上的预测效果,需要构建混淆矩阵和绘制ROC曲线,其中混淆矩阵用于模型准确率、覆盖率、精准率指标的计算;ROC曲线用于计算AUC值,并将AUC值与0.8相比,判断模型的拟合效果,代码如下...在如上的混淆矩阵图中,横坐标代表测试数据集中的实际类别值,纵坐标为预测类别值,正确预测无毒的有981个样本,正确预测有毒的有786个样本。...首先将爬虫获得的数据集读入Python中,并预览前几行数据,代码如下: # 读入评论数据 evaluation = pd.read_excel(r'C:\Users\Administrator\Desktop...如上结果所示,从混淆矩阵图形来看,伯努利贝叶斯分类器在预测数据集上的效果还是非常棒的,绝大多数的样本都被预测正确(因为主对角线上的数据非常大),而且总的预测准确率接近85%。

    2.6K40

    评估和选择最佳学习模型的一些指标总结

    混淆矩阵 对于分类模型使用混淆矩阵是一个非常好的方法来评估我们的模型。它对于可视化的理解预测结果是非常有用的,因为正和负的测试样本的数量都会显示出来。并且它提供了有关模型如何解释预测的信息。...查全率(有多少正样本被预测了,所有正样本中能预测对的有多少) F1 Score:是查准率和查全率的加权平均值。 我们还是使用前面示例中构建的数据和模型来构建混淆矩阵。...在二分类的混淆矩阵中,我们看到了标签 [1] 的错误分类数据较少。...在ROC曲线中曲线越凸向左上角越好,在P-R曲线中,曲线越凸向右上角越好。P-R曲线判断模型的好坏要根据具体情况具体分析,有的项目要求召回率较高、有的项目要求精确率较高。...P-R曲线的绘制跟ROC曲线的绘制是一样的,在不同的阈值下得到不同的Precision、Recall,得到一系列的点,将它们在P-R图中绘制出来,并依次连接起来就得到了P-R图。

    47510

    机器学习-07-分类回归和聚类算法评估函数

    ⑨ KS曲线 回归模型 ① 平均绝对误差(MAE) ② 均方误差(MSE) ③ 均方根误差(RMSE) ④ 决定系数R^2 ⑤ 可解释变异 分类任务 混淆矩阵 在机器学习领域,混淆矩阵(ConfusionMatrix...混淆矩阵的每一列代表了预测类别,每一行代表了数据的真实类别。分类问题的评价指标大多基于混淆矩阵计算得到的。 准确率(Accuracy) 识别对了的正例(TP)与负例(TN)占总识别样本的比例。...P-R曲线 PR曲线通过取不同的分类阈值,分别计算当前阈值下的模型P值和R值,以P值为纵坐标,R值为横坐标,将算得的一组P值和R值画到坐标上,就可以得到P-R曲线。...): 兰德系数(Rand index) 兰德系数是使用真实label对聚类效果进行评估,评估过程和混淆矩阵的计算类似: 互信息(Mutual Information) sklearn实现聚类 聚类指标...2.查找机器学习的算法应用有哪些 3.确定想要研究的领域极其对应的算法 4.通过招聘网站和论文等确定具体的技术 5.了解业务流程,查找数据 6.复现经典算法 7.持续优化,并尝试与对应企业人员沟通心得

    25710

    PU-learing:解决正负样本不足利器(R语言)

    虽然为了方便操作,可以将未标记的样本都作为负样本进行训练,但会降低准确度,如何辨别未标记样本中的正负样本,提升模型准确度,就成为一个值得思考的问题。...PU-learning算法于2002年提出,最早用来解决文本分类问题,并延伸到基因识别、反欺诈等诸多领域,是解决样本未标记问题的利器,本文将对此算法进行介绍,并通过R语言进行实例演示。...确定可靠负例(RN) 寻找可靠负例的方法有朴素贝叶斯、Spy、1-DNF等,下面选取Spy方法进行介绍并演示。...R语言实现 step1:导入数据,并划分P和U集合。 ? step2:随机抽取p中15%样本作为集合s,并建立ps和us集合。 ?...step5:使用p和rn训练svm分类器,并对测试集test进行预测,通过混淆矩阵观察分类效果。svm分类器可用e1071包中对svm函数实现。 ? 最终混淆矩阵效果为: ?

    1.5K20
    领券