马修斯相关系数计算器

马修斯相关系数简称 MCC，用一个分数概括二分类表现。它综合混淆矩阵中的所有单元：真正例、真负例、假正例和假负例。与准确率不同，当某一类别远多于另一类别时，该指标仍能提供有效信息，因此适用于欺诈检测、医学筛查、异常检测及其他类别不平衡问题。 MCC 的范围为负一到正一。正一表示分类完全正确，零表示预测与实际结果没有净相关性，负一表示完全不一致，即预测系统性地反向。中间值应结合错误代价、类别平衡和决策阈值理解，而不应套用统一的质量标签。 分子为真正例乘以真负例，再减去假正例乘以假负例。分母是四个边际总数乘积的平方根：预测正例、实际正例、实际负例和预测负例。这个结构使 MCC 等价于实际与预测二元标签之间的皮尔逊相关系数。若任何必要的边际总数为零，数学分母就为零，系数未定义。 计算器还报告常用辅助指标。准确率是全部样本中分类正确的比例。精确率是预测正例中真正例的比例。召回率又称敏感度，是实际正例中被识别出的比例。特异度是实际负例中被正确判为负例的比例。这些指标回答不同问题，与 MCC 一起查看，可发现看似良好的整体表现是否掩盖了某一类别的不足。 构建混淆矩阵时，应明确正类定义并固定分类阈值。交换正负类标签会改变精确率、召回率和特异度，但同时重标记实际与预测标签时 MCC 保持不变。计数应来自未用于拟合模型的数据，最好是有代表性的测试集或规范构建的交叉验证预测。 在同一评估样本上比较候选分类器时，MCC 尤其有用，但仍须考虑不确定性。小测试集可能产生不稳定分数，分布变化也可能使历史表现失效。选择或部署模型前，应结合置信区间、子群检查、校准分析，以及假正例和假负例在现实中的影响来使用结果。