如何用caret包的confusionMatrix处理已计算的4类别混淆矩阵？

不用发愁！caret包的confusionMatrix()其实完全支持直接使用已有的混淆矩阵（不需要原始的真实/预测标签列表），只要我们把数据整理成正确的格式就行。下面是一步步的操作：

第一步：把数据框转为矩阵并指定类别名称 #

首先，我们需要将读取到的数据框转换成矩阵，并且给行和列添加上类别名称（行对应真实类别，列对应预测类别）：

# 加载caret包（如果还没安装先运行 install.packages("caret")）
library(caret)

# 将数据框转为矩阵
conf_mat_matrix <- as.matrix(cm)
# 给矩阵的行和列指定类别名称
rownames(conf_mat_matrix) <- colnames(conf_mat_matrix) <- c("C1", "C2", "C3", "C4")

第二步：转换为table对象并生成混淆矩阵统计量 #

confusionMatrix()接受table类型的输入，我们把矩阵转成table后直接传入即可：

# 转为table对象
conf_mat_table <- as.table(conf_mat_matrix)

# 生成混淆矩阵分析结果
cm_results <- confusionMatrix(conf_mat_table)

第三步：提取你需要的统计量 #

现在你可以直接查看所有结果，或者提取byClass部分获取每个类别的灵敏度、特异性、F1值等：

# 查看完整的混淆矩阵报告
print(cm_results)

# 只提取每个类别的关键统计量（灵敏度、特异性、F1等）
cm_results$byClass

关键说明 #

• 一定要确保矩阵的行是真实类别，列是预测类别，这是confusionMatrix()的默认逻辑，否则统计量会出错。
• byClass输出里的每个行对应一个类别，包含的指标包括：
  • Sensitivity：灵敏度（召回率）
  • Specificity：特异性
  • F1：F1值
  • Precision：精确率
  • 还有其他如Balanced Accuracy等实用指标

举个验证例子：C1的灵敏度应该是830/(830+0+10+0) = 0.9881，你可以对比cm_results$byClass["C1", "Sensitivity"]的结果，完全一致。

内容的提问来源于stack exchange，提问作者Catalin Stoean