1、混淆矩阵
混淆矩阵也称误差矩阵，是表示精度评价的一种标准格式，用n行n列的矩阵形式来表示。在人工智能中，混淆矩阵是可视化工具，特别用于监督学习。
混淆矩阵的每一列代表了预测类别，每一列的总数表示预测为该类别的数据的数目；每一行代表了数据的真实归属类别，每一行的数据总数表示该类别的数据实例的数目。
| 预测值 | ||
Positive | Negative | ||
真实值 | Positive | True Positive (TP) | False Negative (FN) |
Negative | False Positive (FP) | True Negative (TN) | |
真阳性（True Positive, TP）：样本的真实类别是正例，并且模型预测的结果也是正例
真阴性（True Negative, TN）：样本的真实类别是负例，并且模型将其预测成为负例
假阳性（False Positive, FP）：样本的真实类别是负例，但是模型将其预测成为正例
假阴性（False Negative, FN）：样本的真实类别是正例，但是模型将其预测成为负例
2、混淆矩阵延伸出来的各个评价指标
| 公式 | 意义 |
准确率ACC |
| 在所有样本中，预测正确的样本占的比例 |
精确率PPV |
| 在所有预测为正例的样本中，预测正确为正例所占的比例 |
召回率/敏感度/真阳率TPR |
| 在所有实际为正例的样本中，预测正确为正例所占的比例 |
特异度TNR |
| 在所有实际为负例的样本中，预测正确为负例所占的比例 |
流行程度 |
| 在所有样本中，实际为正例所占的比例 |
F1-Score |
| F1-Score就是精确率和召回率的调和平均值，F1-Score值认为精确率和召回率一样重要，其取值范围从0到1的，1代表模型的输出最好，0代表模型的输出结果最差。 |
3、混淆矩阵的实例
当分类问题是二分问题是，混淆矩阵可以用上面的方法计算。当分类的结果多于两种的时候，混淆矩阵同样适用。
举例，如有150个样本数据，预测为1,2,3类各为50个。分类结束后得到的混淆矩阵如下：
| 预测 | |||
类1 | 类2 | 类3 | ||
实际
| 类1 | 43 | 2 | 0 |
类2 | 5 | 45 | 1 | |
类3 | 2 | 3 | 49 | |
第一行说明有43个属于第一类的样本被正确预测为了第一类，有2个属于第一类的样本被错误预测为了第二类。第一列说明有43个属于第一类的样本被正确预测为了第一类，有5个属于第二类的样本、2个属于第三类的样本被错误预测为了第一类。
以类1为例，计算其他指标
如果感觉不错，那就给我点个赞吧(^_−)☆
