一文读懂混淆矩阵：全面诊断你的AI模型

当我们评价一个学生时，我们不会只看他的总分，我们还会看他的答题卡，想知道他“哪些题答对了，哪些题答错了，错的题是不会做还是看错了题”。混淆矩阵就是 AI 模型的“答题卡”，它详细地展示了模型预测结果与真实结果的对应关系。

一、什么是混淆矩阵？—— AI 模型的“体检报告”

混淆矩阵是一个 N x N 的方阵（对于二分类问题是 2x2），用于可视化一个分类模型的预测结果。

• 矩阵的行 通常代表真实类别 (Actual Class)。
• 矩阵的列 通常代表模型预测的类别 (Predicted Class)。

通过这个矩阵，我们可以清晰地看到模型对于不同类别的预测情况，尤其能看出模型“混淆”了哪些类别——这也是它名字的由来。

二、混淆矩阵的四大核心象限

对于一个二分类问题（例如“是/否”、“有错/无错”），混淆矩阵包含四个关键部分，它们的名字由两部分构成：

1. 第一部分（True/False）：表示模型的预测是否正确。
2. 第二部分（Positive/Negative）：表示模型的预测结果是什么。

---

• 正例 (Positive): 我们关心的那个类别，例如“有语法错误”、“是欺诈交易”、“患有疾病”。
• 反例 (Negative): 我们不关心的那个类别，例如“语法正确”、“是正常交易”、“身体健康”。

---

真实类别 / 预测类别	预测为 正例 (Positive)	预测为 反例 (Negative)
真实是 正例 (Positive)	TP (True Positive) 真阳性	FN (False Negative) 假阴性
真实是 反例 (Negative)	F