基于预训练VGG19的四类分类任务中准确率计算异常问询

嘿，这个问题其实是多分类任务里很常见的误区，我来帮你理清楚根源和解决办法：

核心原因：二分类准确率公式不能直接套用到多分类场景 #

先明确你用的两个公式的本质：

• 你写的Eq1 sum(predictedLabels==testLabels)/numel(predictedLabels) 是多分类任务准确率的标准计算方式——它统计所有样本中预测与真实标签完全匹配的比例，本质就是把每一类的「真正例（TP）」加起来，再除以总样本数，展开后是：

  Accuracy = (TP1 + TP2 + TP3 + TP4) / 总样本数
  

  这里的TP1是第1类被正确预测为第1类的样本数，以此类推。

• 而Eq3 (TP+TN)/(TP+TN+FP+FN) 是二分类专属的准确率公式。在二分类里，TN（真负例）是明确的：不属于正类的样本被正确预测为负类的数量。但在4分类任务中，「负类」的定义完全模糊了——比如对第1类来说，TN是被正确预测为2、3、4类的样本吗？但如果强行把所有非TP的样本合并成TN+FP+FN，就会完全错误地统计，因为多分类里的FP和FN是针对每一类单独存在的，不能像二分类那样统一合并计算。

举个直观的小例子：假设总共有100个样本，每类25个。如果模型把第1类的10个样本错预测成第2类，第2类的5个样本错预测成第1类，其他样本都分类正确。用Eq1算准确率是(25+20+25+25)/100=95%；但如果硬套二分类的Eq3，你根本没法定义统一的TN，算出来的结果自然和Eq1对不上。

用混淆矩阵计算多分类准确率的正确姿势 #

对于你得到的4×4混淆矩阵confMat（行代表真实标签，列代表预测标签），正确的准确率计算应该是取混淆矩阵对角线元素的和，再除以总样本数，代码如下：

accuracy_from_confMat = sum(diag(confMat)) / sum(confMat(:));

这个结果和你用Eq1计算的结果会完全一致，因为对角线元素正好对应每一类的TP，加起来就是所有分类正确的样本数，除以总样本数就是标准的多分类准确率。

额外小贴士 #

如果之后需要计算每一类的精确率（Precision）、召回率（Recall），也要针对每一类单独计算：

• 第i类的精确率：confMat(i,i)/sum(confMat(:,i))（预测为i类的样本中，真正属于i类的比例）
• 第i类的召回率：confMat(i,i)/sum(confMat(i,:))（真实属于i类的样本中，被正确预测的比例）

内容的提问来源于stack exchange，提问作者Suvidha