机器学习模型 | 分类模型评估指标

混淆矩阵是在分类问题中用于评估模型性能的表格，它展示了模型对样本的分类情况。混淆矩阵的行表示实际类别，列表示预测类别。

True Positive (TP): 实际为正例，模型预测为正例的样本数，模型正确识别正面实例的能力。更高的TP通常是可取的

False Negative (FN): 实际为正例，模型预测为负例的样本数，根据应用程序的不同，这可能是关键的(例如，未能检测到安全威胁)。

False Positive (FP): 实际为负例，模型预测为正例的样本数，强调模型在不应该预测为正的情况下预测为正的情况，这可能会产生取决于应用的后果(例如，医疗诊断中不必要的治疗)

True Negative (TN): 实际为负例，模型预测为负例的样本数，反映模型正确识别否定实例的能力。通常需要更高的TN

初学者看起来很乱，其实这样理解就非常简单了，后面的Negative/Positive 为模型预测值，前面的True/False 为模型预测是否正确，比如True Negative，代表，模型预测是Negative并且与实际的值对比是True 也就是预测正确的，这样就好理解了。以下是一个简单的混淆矩阵：

from sklearn.metrics import confusion_matrix
import seaborn as sns
import matplotlib.pyplot as plt

Example predictions and true labels

y_true = [1, 0, 1, 1, 0, 1, 0, 0, 1, 0]
y_pred = [1, 0, 1,