机器学习/深度学习

归一化混淆矩阵

归一化混淆矩阵是对传统混淆矩阵进行比例转换后的结果，使得矩阵中的每个元素都表示相对于某个基数（通常是某一类别样本总数）的比例，而非绝对数量。主要特点和作用包括：

比例展示：
传统混淆矩阵中的每个元素表示的是预测类别与实际类别匹配的样本数。而归一化混淆矩阵将这些数字转换为百分比或比例，更直观地展示了各类别之间的预测分布。例如，将每行除以该行的总和，使得每行的所有值加起来为 1，这样可以清楚看到模型对每个真实类别的预测分布情况。

处理类别不平衡：
在类别分布不平衡的数据集中，绝对数值可能会产生误导。归一化处理后，可以更公平地比较各个类别的预测情况，帮助识别模型对某些少数类别的预测效果是否存在偏差。

评估模型表现：
归一化混淆矩阵可以帮助直观地看到模型在哪些类别上表现较好或较差。比如，对某个类别，归一化后大部分比例都集中在对角线上，说明模型对该类别预测准确；反之，如果某行中有较高比例分散在其他列，则说明存在较多误判。

召回率

召回率（$ Recall $）衡量的是模型找出所有实际正例的能力，计算公式为：

R