如何计算logistic回归模型的正确预测比例并生成混淆矩阵

第一步：修正预测逻辑（可选但推荐） #

你当前调用predict时使用type="terms"返回的是自变量的线性贡献值，并非二分类常用的预测概率，常规分类逻辑可调整为：

# 输出预测概率
pre10 <- predict(glm9, germany, type = "response")
# 以0.5为阈值做二分类，可根据需求调整阈值
prediction <- ifelse(pre10 >= 0.5, 1, 0)

如果你确有业务需要沿用原有线性项阈值≥1的分类逻辑，可跳过本步直接使用你已生成的prediction变量。

第二步：生成混淆矩阵 #

直接使用R基础函数table()即可生成你需要的格式，其中行对应真实观测值，列对应预测值：

# germany$v172替换为你数据集里存储真实观测值的变量名
conf_mat <- table(真实值 = germany$v172, 预测值 = prediction)
print(conf_mat)

输出格式和你要求的完全一致：

预测值
真实值   0   1
    0 182  63
    1  24  32

第三步：计算正确预测占比 #

基于混淆矩阵可直接计算准确率：

accuracy <- sum(diag(conf_mat)) / sum(conf_mat)

可选：生成带评估指标的混淆矩阵 #

如果需要同时输出精确率、召回率、Kappa值等指标，可以使用caret包的confusionMatrix函数：

library(caret)
# 需保证预测值和真实值的因子水平一致
res <- confusionMatrix(
  factor(prediction, levels = c(0,1)),
  factor(germany$v172, levels = c(0,1))
)
print(res)

内容的提问来源于stack exchange，提问作者Qian