【机器学习-分类模型评价指标】混淆矩阵&分类报告

一、混淆矩阵（误差矩阵）

混淆矩阵是评判模型结果的指标，属于模型评估的一部分。此外，混淆矩阵多用于判断分类器（Classifier）的优劣，适用于分类型的数据模型，如分类树（Classification Tree）、逻辑回归（Logistic Regression）、线性判别分析（Linear Discriminant Analysis）等方法。
 

1. TP(True Positive)：将正确类预测为正确类，真实为0，预测也为0
2. FN(False Negative)：将正确类预测为错误类，真实为0，预测为1
3. FP(False Positive)：将错误类预测为正确类， 真实为1，预测为0
4. TN(True Negative)：将错误类预测为错误类，真实为1，预测也为1 

 四个二级指标

混淆矩阵里面统计的是个数，有时候面对大量的数据,光凭算个数，很难衡量模型的优劣。因此混淆矩阵在基本的统计结果上又延伸了如下4个指标

• 准确率（Accuracy）—— 针对整个模型
• 精确率（Precision）
• 灵敏度（Sensitivity）即召回率（Recall）  衡量了分类器对正例的识别能力
• 特异度（