需要將插入符號中的confusionMatrix應用於已經計算出的混淆矩陣

Question

我有一個混淆矩陣，該矩陣是使用保存在文本文件中的另一個軟件計算的。 該文件中沒有出現4個類。 我們可以引用C1，C2，C3，C4類。 輸入文件conf_mat.txt的內容如下所示：

830 0 10 0

0 1262 18 0

3 37 1262 18

1 0 5 1314

我讀文件如下：

cm <- read.table("conf_mat.txt")

它看起來如下：

   V1   V2   V3   V4
1 830    0   10    0
2   0 1262   18    0
3   3   37 1262   18
4   1    0    5 1314

我需要根據這些矩陣的敏感性，特異性，F1等，使用byClass計算統計信息，因此confusionMatrix確實有用。 但是我沒有依次獲得每個樣本的實際列表和預測列表。

Answer 1

萬一這以后可能對某人有所幫助，這就是我找到的答案。

我根據輸入混淆矩陣的列構造了這些類：

class0 <- rep(c('C0', 'C1', 'C2', 'C3'), cm[,1])
class1 <- rep(c('C0', 'C1', 'C2', 'C3'), cm[,2])
class2 <- rep(c('C0', 'C1', 'C2', 'C3'), cm[,3])
class3 <- rep(c('C0', 'C1', 'C2', 'C3'), cm[,4])

我用正確的類制作了一個數組：

trueClass <- c(rep('C0', sum(cm[,1])), rep('C1', sum(cm[,2])), rep('C2', sum(cm[,3])), rep('C3', sum(cm[,4])))

還有一個與預測的：

predictedClass <- c(class0, class1, class2, class3)

然后將confusionMatrix應用於兩個數組

newCM <- confusionMatrix(predictedClass, trueClass)
newCM

這會導致從文本文件讀取相同的混淆矩陣，但會計算其他統計信息。

Confusion Matrix and Statistics
              Reference
    Prediction   C0   C1   C2   C3
            C0  830    0   10    0
            C1    0 1262   18    0
            C2    3   37 1262   18
            C3    1    0    5 1314

    Overall Statistics

                   Accuracy : 0.9807          
                     95% CI : (0.9763, 0.9844)
        No Information Rate : 0.2798          
        P-Value [Acc > NIR] : < 2.2e-16       

                      Kappa : 0.974           
     Mcnemar's Test P-Value : NA              

    Statistics by Class:

                         Class: C0 Class: C1 Class: C2 Class: C3
    Sensitivity             0.9952    0.9715    0.9745    0.9865
    Specificity             0.9975    0.9948    0.9833    0.9982
    Pos Pred Value          0.9881    0.9859    0.9561    0.9955
    Neg Pred Value          0.9990    0.9894    0.9904    0.9948
    Prevalence              0.1752    0.2729    0.2721    0.2798
    Detection Rate          0.1744    0.2651    0.2651    0.2761
    Detection Prevalence    0.1765    0.2689    0.2773    0.2773
    Balanced Accuracy       0.9963    0.9832    0.9789    0.9924