01_01_评估分类模型

评估分类模型中的二分类模型, 混淆矩阵(T F P N)

• 在机器学习中，T/F 和 P/N 分别代表以下概念：

  • T 代表 True（真实）：模型预测结果与实际情况相符。
  • F 代表 False（假）：模型预测结果与实际情况不符。
  • P 代表 Positive（正）：预测结果为正面结果（例如，预测某人患有疾病）。
  • N 代表 Negative（负）：预测结果为负面结果（例如，预测某人没有患病）。

• 因此，我们可以得到以下四种组合：

  • TP（True Positive）：预测为正，实际也为正。
  • TN（True Negative）：预测为负，实际也为负。
  • FP（False Positive）：预测为正，实际为负。
  • FN（False Negative）：预测为负，实际为正。

• 因此可以推出：[ _ 模型预测与真实是否一致 _ , _ 真实结果 _ ]

下面举个例子：

比如让一个模型去预测，一车的西瓜是好瓜还是坏瓜:

	瓜本身是好瓜	瓜本身是坏瓜
模型预测是好瓜	瓜本身是好瓜(P) [ 模型预测是好瓜 && 瓜本身是好瓜 ](T)	瓜本身是坏瓜(N) [ 模型预测是好瓜 && 瓜本身是坏瓜 ](F)
模型预测是坏瓜	瓜本身是好瓜(P) [ 模型预测是坏瓜 && 瓜本身是好瓜 ](F)	瓜本身是坏瓜(N) [ 模型预测是坏瓜 && 瓜本身是坏瓜 ](T)

从而引出我们需要的混淆矩阵：

	正例(P)	反例(N)
预正	TP	FN
预错	FP	TN

注意： 这里可能有人直接将模型的预测直接作为预测的结果，这是错误的, 结果的正确与否是通过模型的预测结果与真实的情况做对比(&&) 一致的结果才为正确结果，反之亦然。

现在我们可以轻易的解释上方为什么是这样的：

• 模型预测与真实结果一致并真实结果是正例 => TP
• 模型预测与真实结果不一致并真实结果是反例 => FN
• 模型预测与真实结果不一致并真实结果是正例 => FP
• 模型预测与真实结果一致并真实结果是反例 => TN

这些概念常用于评估分类模型的性能。例如，精确度（Precision）和召回率（Recall）就是基于这些概念来定义。