如何从混淆矩阵手动计算SVC模型的总体精确率、召回率与F1分数？

首先明确二分类场景下混淆矩阵的四个核心数值定义：

• TP（真正例）：真实标签为1、预测标签为1的样本数
• TN（真负例）：真实标签为0、预测标签为0的样本数
• FP（假正例）：真实标签为0、预测标签为1的样本数
• FN（假负例）：真实标签为1、预测标签为0的样本数

一、从分类报告反推混淆矩阵（以你提供的报告为例） #

已知分类报告中的关键信息：

• 真实标签为0的样本数（Support_0）= 540
• 真实标签为1的样本数（Support_1）= 460
• 类别0的召回率= 0.5907407，类别1的召回率= 0.8239130

根据召回率公式（召回率=该类正确分类样本数/该类真实样本数），推导混淆矩阵数值：

1. TN = 类别0的召回率 × Support_0 = 0.5907407 × 540 ≈ 320
2. FP = Support_0 - TN = 540 - 320 = 220
3. TP = 类别1的召回率 × Support_1 = 0.8239130 × 460 ≈ 379
4. FN = Support_1 - TP = 460 - 379 = 81

最终混淆矩阵：

二、手动计算各类指标 #

1. 总体准确率（Accuracy） #

表示所有样本中被正确分类的比例，公式：

Accuracy = (TP + TN) / (TP + TN + FP + FN)

代入数值：(379 + 320) / 1000 = 699 / 1000 = 0.699（与报告中0.698的差异来自小数精度取舍）

2. 类别级精确率、召回率、F1分数 #

类别0：

• 精确率：预测为0的样本中真实为0的比例

Precision_0 = TN / (TN + FN) = 320 / (320 + 81) ≈ 0.7975

• 召回率：真实为0的样本中被正确预测为0的比例

Recall_0 = TN / (TN + FP) = 320 / (320 + 220) ≈ 0.5907

• F1分数：精确率与召回率的调和平均数

F1_0 = 2 × (Precision_0 × Recall_0) / (Precision_0 + Recall_0) ≈ 2 × (0.7975×0.5907)/(0.7975+0.5907) ≈ 0.6787

类别1：

• 精确率：预测为1的样本中真实为1的比例

Precision_1 = TP / (TP + FP) = 379 / (379 + 220) ≈ 0.6317

• 召回率：真实为1的样本中被正确预测为1的比例

Recall_1 = TP / (TP + FN) = 379 / (379 + 81) ≈ 0.8239

• F1分数：

F1_1 = 2 × (Precision_1 × Recall_1) / (Precision_1 + Recall_1) ≈ 2 × (0.6317×0.8239)/(0.6317+0.8239) ≈ 0.7151

3. 宏观平均（Macro Avg）指标 #

对两个类别的指标取算术平均值：

• Macro精确率：

Macro_Precision = (Precision_0 + Precision_1) / 2 ≈ (0.7975 + 0.6317)/2 ≈ 0.7146

• Macro召回率：

Macro_Recall = (Recall_0 + Recall_1) / 2 ≈ (0.5907 + 0.8239)/2 ≈ 0.7073

• Macro F1分数：

Macro_F1 = (F1_0 + F1_1) / 2 ≈ (0.6787 + 0.7151)/2 ≈ 0.6969

4. 加权平均（Weighted Avg）指标 #

以每个类别的真实样本数（Support）为权重，加权求和后除以总样本数：

• Weighted精确率：

Weighted_Precision = (Precision_0 × Support_0 + Precision_1 × Support_1) / Total_Support
= (0.7975×540 + 0.6317×460)/1000 ≈ 0.7212

• Weighted召回率：

Weighted_Recall = (Recall_0 × Support_0 + Recall_1 × Support_1) / Total_Support
= (0.5907×540 + 0.8239×460)/1000 ≈ 0.699（与准确率数值一致）

• Weighted F1分数：

Weighted_F1 = (F1_0 × Support_0 + F1_1 × Support_1) / Total_Support
= (0.6787×540 + 0.7151×460)/1000 ≈ 0.6954

内容的提问来源于stack exchange，提问作者PwNzDust