多类模型的准确率、精确度和召回率

我该如何计算accuracy, 精确 and recall对于混淆矩阵中的每个类？ 我正在使用嵌入式数据集 iris；混淆矩阵如下：

prediction   setosa versicolor virginica
setosa         29          0         0
versicolor      0         20         2
virginica       0          3        21

我使用 75 个条目作为训练集，其他条目用于测试：

iris.train <- c(sample(1:150, 75)) # have selected 75 randomly

在整个回答中，mat是您描述的混淆矩阵。

您可以通过以下方式计算和存储精度：

(accuracy <- sum(diag(mat)) / sum(mat))
# [1] 0.9333333

每个类别的精度（假设预测位于行上，真实结果位于列上）可以通过以下方式计算：

(precision <- diag(mat) / rowSums(mat))
#     setosa versicolor  virginica 
#  1.0000000  0.9090909  0.8750000 

如果您想获取特定类别的精度，您可以这样做：

(precision.versicolor <- precision["versicolor"])
# versicolor 
#  0.9090909 

每个类别的召回率（再次假设预测位于行上，真实结果位于列上）可以通过以下方式计算：

recall <- (diag(mat) / colSums(mat))
#     setosa versicolor  virginica 
#  1.0000000  0.8695652  0.9130435 

如果您想回忆特定课程，您可以执行以下操作：

(recall.virginica <- recall["virginica"])
# virginica 
# 0.9130435 

相反，如果您将真实结果作为行，将预测结果作为列，那么您将翻转精度和召回率定义。

Data:

(mat = as.matrix(read.table(text="  setosa versicolor virginica
 setosa         29          0         0
 versicolor      0         20         2
 virginica       0          3        21", header=T)))
#            setosa versicolor virginica
# setosa         29          0         0
# versicolor      0         20         2
# virginica       0          3        21