3. 线性模型性能分析--混淆矩阵(Confusion Matrix)

1. 什么是混淆矩阵

在人工智能中，混淆矩阵（confusion matrix）是可视化工具，特别用于监督学习，在无监督学习一般叫做匹配矩阵。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像比较计算的^[1]。

通过分析混淆矩阵，我们可以得到:
* TPR (True Positive Rate), FPR (False Positive Rate) 并画出ROC (Receiver Operating Characteristic)曲线和求出AUC (Area Under Curve)
* 准确率(Accuracy), 精确率(Precision), 召回率(Recall), F1值(F1 Score)
下面我们来分析混淆矩阵。

---

2. 混淆矩阵分析

Confusion Matrix ^[2]

分析：
TP：模型判定为P，实际上也是P，即判断正确
FP：模型判定为N，实际上却是P，即判断错误
FN：模型判定为P，实际上却是N，即判断错误
TN：模型判定为N，实际上也是N，即判断正确

---

存在关系：
$TPR = \frac{TP}{TP+FP}$

FPR=FPTN+FN