計算混淆矩陣
就像你在影片中看到的，混淆矩陣是校準模型輸出並檢視所有可能預測結果（真陽性、真陰性、假陽性、假陰性）的一個非常實用的工具。
在建立混淆矩陣之前，你需要在某個臨界值上「切」預測機率，將機率轉換為類別預測的因子。將 ifelse() 與 factor() 如下結合：
pos_or_neg <- ifelse(probability_prediction > threshold, positive_class, negative_class)
p_class <- factor(pos_or_neg, levels = levels(test_values))
caret 套件中的 confusionMatrix() 在 base R 的 table() 基礎上加強，除了表中的基本比率外，還加入許多實用的輔助統計量。你可以同時使用預測結果與實際結果來計算混淆矩陣（以及相關統計量），例如：
confusionMatrix(p_class, test_values)
本練習屬於課程
使用 R 的 caret 進行 Machine Learning
練習說明
- 使用
ifelse()建立字元向量m_or_r：當p大於 0.5 時為正類別"M"，否則為負類別"R"。 - 將
m_or_r轉換為因子p_class，其層級需與test[["Class"]]的層級相同。 - 使用
confusionMatrix()建立混淆矩陣，並傳入p_class與test資料集中"Class"這個欄位。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# If p exceeds threshold of 0.5, M else R: m_or_r
# Convert to factor: p_class
# Create confusion matrix