r语言 - 需要将插入符号中的混淆矩阵应用于已计算的混淆矩阵

Question

我有一个混淆矩阵，它是用另一个保存在文本文件中的软件计算的。有 4 个类未出现在此文件中。我们可以参考类 C1、C2、C3、C4。输入文件conf_mat.txt的内容如下所示：

830 0 10 0
0 1262 18 0
3 37 1262 18
1 0 5 1314

我阅读了如下文件：

cm <- read.table("conf_mat.txt")

它如下所示：

   V1   V2   V3   V4
1 830    0   10    0
2   0 1262   18    0
3   3   37 1262   18
4   1    0    5 1314

我需要使用 byClass 从这个矩阵中的灵敏度、特异性、F1 等计算统计数据，所以 confusionMatrix 将非常有用。但是我没有每个样本的实际列表和预测列表。

Answer 1

万一这对以后可能会帮助某人，这就是我找到的答案。

我根据输入混淆矩阵的列构造了类：

class0 <- rep(c('C0', 'C1', 'C2', 'C3'), cm[,1])
class1 <- rep(c('C0', 'C1', 'C2', 'C3'), cm[,2])
class2 <- rep(c('C0', 'C1', 'C2', 'C3'), cm[,3])
class3 <- rep(c('C0', 'C1', 'C2', 'C3'), cm[,4])

我用正确的类做了一个数组：

trueClass <- c(rep('C0', sum(cm[,1])), rep('C1', sum(cm[,2])), rep('C2', sum(cm[,3])), rep('C3', sum(cm[,4])))

还有一个预测的：

predictedClass <- c(class0, class1, class2, class3)

然后将混淆矩阵应用于两个数组

newCM <- confusionMatrix(predictedClass, trueClass)
newCM

这会导致从文本文件中读取的混淆矩阵相同，但计算了额外的统计信息。

Confusion Matrix and Statistics
              Reference
    Prediction   C0   C1   C2   C3
            C0  830    0   10    0
            C1    0 1262   18    0
            C2    3   37 1262   18
            C3    1    0    5 1314
    Overall Statistics
                   Accuracy : 0.9807          
                     95% CI : (0.9763, 0.9844)
        No Information Rate : 0.2798          
        P-Value [Acc > NIR] : < 2.2e-16       
                      Kappa : 0.974           
     Mcnemar's Test P-Value : NA              
    Statistics by Class:
                         Class: C0 Class: C1 Class: C2 Class: C3
    Sensitivity             0.9952    0.9715    0.9745    0.9865
    Specificity             0.9975    0.9948    0.9833    0.9982
    Pos Pred Value          0.9881    0.9859    0.9561    0.9955
    Neg Pred Value          0.9990    0.9894    0.9904    0.9948
    Prevalence              0.1752    0.2729    0.2721    0.2798
    Detection Rate          0.1744    0.2651    0.2651    0.2761
    Detection Prevalence    0.1765    0.2689    0.2773    0.2773
    Balanced Accuracy       0.9963    0.9832    0.9789    0.9924