混淆矩阵使用以下度量来显示树分隔类别的正确程度：
- 真阳率 (TPR) = 正确预测事件案例的概率
- 假阳率 (FPR) = 非事件案例预测错误的概率
- 假阴率 (FNR) = 事件案例预测错误的概率
- 真阴率 (TNR) = 正确预测非事件案例的概率
解释
Random Forests® 分类： 心脏病 vs 年龄, 血压, 胆固醇, 最大心率, 旧峰值, 性别, 疼痛类型, 血糖, ...
混淆矩阵
预测类别 (OOB)
实际类别 计数 是的 不 正确百分比
是的 （事件） 139 109 30 78.42
不 164 26 138 84.15
所有 303 135 168 81.52
统计量 OOB (%)
真阳率（敏感度或功效） 78.42
假阳率（I 类错误） 15.85
假阴率（II 类错误） 21.58
真阴率（特异度） 84.15
在此示例中，“是”事件的总数为 139，而“否”的总数为 164。分析使用 OOB 数据来验证模型。
在 OOB 数据中，“是”事件的总数为 139，而“否”结果的总数为 164。
- OOB 数据中预测的事件数（是）为 109，正确率为 78.42%。
- OOB 数据中预测的非事件数（否）为 138，正确率为 84.15%。
总体而言，OOB 数据的正确百分比为 81.52%。使用 OOB 数据的结果可评估新观测值的预测准确度。
正确百分比低通常是由于模型拟合不足导致的。各种问题导致模型不足。如果正确百分比非常低，请考虑是修改用于拆分内部节点的最小案例数，还是更改分析为拆分节点而考虑的预测变量数。