R语言中NeuralNet神经网络单值准确率计算方法咨询

是否需要生成混淆矩阵 #

仅计算单值准确率不需要生成混淆矩阵。如果需要进一步分析不同类别的错分情况，可以额外生成混淆矩阵做辅助判断，不影响准确率单值的输出。

具体实现步骤 #

你目前的代码已经得到了模型的概率输出predict_outNN2，只需要补全以下代码即可得到准确率单值，可直接追加在你现有代码的末尾：

• 第一步：将概率输出转换为类别标签
  根据你的分类任务类型选择对应代码：

# 二分类任务（标签为0和1时，阈值可根据业务需求调整）
predict_class <- ifelse(predict_outNN2 > 0.5, 1, 0)

# 多分类任务（取每行概率最大的索引作为预测类别）
predict_class <- apply(predict_outNN2, 1, which.max)
# 若原始标签从0开始，需额外执行：predict_class <- predict_class - 1

• 第二步：计算单值准确率
  准确率的计算逻辑为「预测正确的样本数 / 总测试样本数」，直接用R的均值函数即可快速计算：

# 先统一预测值和真实标签的类型，避免对比出错
wineclassesTest <- as.integer(as.character(wineclassesTest))
predict_class <- as.integer(predict_class)

accuracy <- mean(predict_class == wineclassesTest)
# 打印输出准确率单值
print(accuracy)

• （可选）生成混淆矩阵
  如果需要查看详细分类结果，可以执行以下代码生成混淆矩阵：

confusion_matrix <- table(Predicted = predict_class, Actual = wineclassesTest)
print(confusion_matrix)

结果说明 #

输出的accuracy就是你需要的单值准确率，取值范围在0到1之间，数值越接近1代表模型的整体预测效果越好。

内容的提问来源于stack exchange，提问作者Xray25