使用 TreeNet^® 分类的拟合模型和发现关键预测变量的混淆矩阵

注意

查找混淆矩阵中每个统计量的定义和解释。

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

TreeNet® 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（训练）预测类别（测试）实际类别计数是的不正确百分比是的不正确百分比是的（事件） 139 124 15 89.21 110 29 79.14 不 164 8 156 95.12 24 140 85.37 所有 303 132 171 92.41 134 169 82.51 如果行的事件概率超过 0.5，则将行分配给事件类。

统计量训练 (%) 测试 (%) 真阳率（敏感度或功效） 89.21 79.14 假阳率（I 类错误） 4.88 14.63 假阴率（II 类错误） 10.79 20.86 真阴率（特异度） 95.12 85.37

在此示例中，“是”事件的总数为 139，而“否”的总数为 164。

在训练数据中，预测的事件（是）的数量为 124，正确率为 89.21%。
在训练数据中，预测的非事件（否）的数量为 156，正确率为 95.12%。
在检验数据中，预测的事件（是）的数量为 110，正确率为 79.14%。
在检验数据中，预测的非事件（否）的数量为 140，正确率为 85.37%。

总体而言，训练数据的正确百分比为 92.41%，检验数据的正确百分比为 82.51%。使用检验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，模型拟合不足可能由多种不同原因引起。如果正确百分比非常低，请考虑类别权重是否会有帮助。当一个类别中观测值的权重大于另一个类别中观测值的权重时，类别权重可能会有助于提供更准确的模型。此外，您还可以更改将案例归为事件的概率。

使用 TreeNet® 分类 的 拟合模型 和 发现关键预测变量 的混淆矩阵

注意

解释

TreeNet® 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, ...

使用 TreeNet^® 分类的拟合模型和发现关键预测变量的混淆矩阵

TreeNet® 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, ...