模型检测--解读混淆矩阵

混淆矩阵（confusion matrix）在图像精度评价中，主要用于比较分类结果和实际测得值，可以把分类结果的精度显示在一个混淆矩阵里面。混淆矩阵是通过将每个实测像元的位置和分类与分类图像中的相应位置和分类相比较计算的。

如有150个样本数据，这些数据分成3类，每类50个。分类结束后得到的混淆矩阵为： 

每一行之和为50，表示50个样本，第一行说明类1的50个样本有43个分类正确，5个错分为类2，2个错分为类3。

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。每一列中的数值表示真实数据被预测为该类的数目：如下图，第一行第一列中的43表示有43个实际归属第一类的实例被预测为第一类，同理，第二行第一列的2表示有2个实际归属为第二类的实例被错误预测为第一类。

那么针对以上的混淆矩阵，我们怎样取计算fpr以及tpr值呢？

针对类1：共有150个测试样本，类1为50个，那类2和类3就属于其他样本共为100个，

此时 tpr=TPTP+FN=4343+7=0.86

fpr=FPFP+TN=22+98=0.02。