如何解读心力衰竭分类任务混淆矩阵中的准确率结果

你使用的是二分类任务标准混淆矩阵，默认标签规则为：0代表患者未发生心力衰竭，1代表患者发生心力衰竭，矩阵行对应样本的真实标签，列对应模型输出的预测标签，各部分解读规则如下：

• 左上格子（真实标签0，预测标签0）：真阴性（TN），即实际无心力衰竭、模型也判断为无心力衰竭的样本量，数值越高说明模型对健康人群的识别准确性越高
• 右上格子（真实标签0，预测标签1）：假阳性（FP），即实际无心力衰竭、模型误判为有心力衰竭的样本量，属于误诊范畴
• 左下格子（真实标签1，预测标签0）：假阴性（FN），即实际有心力衰竭、模型误判为无心力衰竭的样本量，属于漏诊范畴，在这类医疗诊断场景中，漏诊的风险远高于误诊
• 右下格子（真实标签1，预测标签1）：真阳性（TP），即实际有心力衰竭、模型也判断为有心力衰竭的样本量，数值越高说明模型对高危患者的识别能力越强

准确率计算方法 #

准确率是最基础的模型效果评估指标，指所有预测正确的样本占总样本的比例，计算公式为：
准确率 = （真阴性数 + 真阳性数） / 所有样本总数 = (TN + TP) / (TN + FP + FN + TP)
你把四个格子的数值代入公式就可以直接算出当前模型的准确率。

注意：心力衰竭诊断这类样本分布不均匀、漏诊风险高的场景，不建议只参考准确率指标。比如如果数据集中90%的样本都是无心力衰竭的健康人群，模型哪怕全部预测为0也能拿到90%的准确率，但完全没有识别高危患者的能力，建议额外结合召回率（实际心力衰竭患者中被模型正确识别的比例，公式为TP/(TP+FN)）、精确率等指标综合判断模型效果。

内容的提问来源于stack exchange，提问作者Marzia