Minitab® 支持

和 的混淆矩阵 拟合模型 发现关键预测变量 TreeNet® 分类

了解关于 Minitab 的更多信息
注意

该命令可通过 .单击此处了解更多关于如何激活模块的信息。

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

混淆矩阵



预测类别（训练）预测类别 (交叉验证)
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）1391241589.211102979.14
不164815695.122414085.37
所有30313217192.4113416982.51
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 (%)交叉验证 (%)
真阳率（敏感度或功效）89.2179.14
假阳率（I 类错误）4.8814.63
假阴率（II 类错误）10.7920.86
真阴率（特异度）95.1285.37

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%。
  • 交叉验证结果显示预测事件数为110个（是），准确率为79.14%。
  • 交叉验证结果中，预测非事件（No）数量为140个，准确率为85.37%。
总体而言，培训正确率为92.41%，交叉验证为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，你还可以更改案件被归类为事件所需的概率。

Copyright © 2026 Minitab, LLC. All rights Reserved.