输入
正确预测为正例的案例。
模型遗漏的实际正例（预测为负例）。
被模型标记为正例的实际负例。
正确预测为负例的案例。
输出
Your results will appear here.
| Predicted Positive | Predicted Negative | |
|---|---|---|
| No data yet | ||
| Metric | Formula | Value | Rating |
|---|---|---|---|
| No data yet | |||
使用此工具的更多方式
REST API
curl -X POST https://api.iotools.cloud/v1/tool/confusion-matrix-calculator \
-H "Authorization: Bearer YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"truePositive": "50",
"falseNegative": "10",
"falsePositive": "5",
"trueNegative": "100"
}'替换成您账户中的密钥。工具的字段即为请求体——没有额外包装。
让 AI 代理执行
Use the IOTools `confusion-matrix-calculator` tool (Confusion Matrix Calculator) on this input:
YOUR_INPUT_HERE将此粘贴给任何已连接 IOTools MCP 服务器的代理,再加上您的输入内容。
嵌入式小组件
<iframe
src="https://iotools.cloud/embed/confusion-matrix-calculator/"
width="100%" height="520" frameborder="0" scrolling="no" loading="lazy"
title="混淆矩阵计算器 — iotools.cloud"
sandbox="allow-scripts allow-forms allow-same-origin allow-downloads allow-popups allow-popups-to-escape-sandbox"
allow="clipboard-write"
style="width:100%;border:1px solid #e5e7eb;border-radius:12px;overflow:hidden"></iframe>
<script src="https://iotools.cloud/embed.js" async></script>把它放到您自己的页面上——免费,无需密钥,只需保留一个反向链接。
| 每次 API/MCP 调用费用 | 5 积分起 |
|---|---|
| 需要更多积分? | 查看定价 |
也可通过
使用指南
这个计算器做什么？
输入二分类器混淆矩阵中的四个数字 — 真正例、假负例、假正例和真负例 — 然后立即获得所有标准评估指标的计算结果：准确率、精确率、召回率、特异性、F1得分、马修斯相关系数 (MCC)、阴性预测值、假正例率、假负例率和平衡准确率的估计值。每个指标都显示其公式和质量等级（优秀/良好/一般/较差），因此您不需要记住各个公式是什么或手工推导它们。
如何使用
- 输入真正例 (TP) — 正确预测为正例的案例。
- 输入假负例 (FN) — 模型遗漏的实际正例。
- 输入假正例 (FP) — 被模型标记为正例的实际负例。
- 输入真负例 (TN) — 正确预测为负例的案例。
- 查看结果：整体质量仪表、作为表格显示的矩阵，以及每个指标及其公式和等级。
为什么使用MCC而不是仅使用准确率？
准确率在不平衡数据集上可能会产生误导 — 在99%为负例的数据集上始终预测"负例"的分类器可以达到99%的准确率，同时不能捕捉任何正例。马修斯相关系数在一个平衡的度量中使用混淆矩阵的所有四个数字，范围从-1（完全不一致）到+1（完全预测），其中0表示不优于随机猜测 — 这就是为什么它被认为是不平衡类的更可靠的单个数字。
精确率和召回率之间有什么区别？
精确率回答"在我预测为正的所有案例中，有多少实际上是正的？"（TP / (TP+FP)）— 它惩罚误报。召回率（灵敏度）回答"在实际为正的所有案例中，我捕捉了多少？"（TP / (TP+FN)）— 它惩罚遗漏。这两者之间是权衡关系，这就是为什么F1得分（它们的调和平均数）通常被报告为它们之间的单一平衡点。
"AUC估计值"是真正的AUC吗？
不完全是 — 真正的ROC AUC需要跨多个决策阈值的分类器分数，而单个混淆矩阵（一个阈值）无法提供。这里显示的"AUC估计值"是平衡准确率 — 召回率和特异性的平均值 — 一种常见的单阈值近似，如果您有每个样本的分数，它不能替代计算真正的ROC曲线。
隐私
所有计算都在您的浏览器中本地运行 — 您的数字永远不会发送到服务器。
要评估两个比率之间的差异是否具有统计意义（例如，比较两个模型的转换率或错误率），请参见A/B测试显著性计算器。要计划在收集数据之前需要多少数据来检测特定的效应大小，请参见A/B测试样本量计算器。