初学混淆矩阵

一、混淆矩阵（Confusion Matrix）:

在中，混淆矩阵（confusion matrix）是可视化工具，一般也叫做匹配矩阵。

混淆矩阵的每一列代表了预测类别，每一行代表了数据的真实归属类别，每一列的总数表示预测为该类别的数据的数目（即通过算法被分为该类的数目），每一行的数据总数表示该类别的数据实例的数目

如下表，第一行第一列中的43表示有43个实际归属第一类的实例被预测为第一类，第一行第二列中的5表示有5个实际归属第二类的实例被预测为第一类。同理，第二行第一列的2表示有2个实际归属为第二类的实例被错误预测为第一类。

如有150个样本数据，这些数据分成3类，每类50个。分类结束后得到的混淆矩阵为：

	类1	类2	类3
类1	43	5	2
类2	2	45	3
类3	0	1	49

每一行之和为50，表示50个样本，

第一行说明类1的50个样本有43个分类正确，5个错分为类2，2个错分为类3。

源自：https://www.sohu.com/a/135668355_556897

二、多分类情况下，精确率与召回率的求解方法

（1）通过网络资源查找，基本论述是：

对于多分类问题，把每个类别单独视为”正“，把其它剩余的类别都视为”负“，按照二分类情况时的求解方法，求出此时的精确率与召回率，然后再取平均即可。

所主要查看的资源：

https://www.zhihu.com/question/51470349

https://www.zhihu.com/question/56403549

http://wenda.chinahadoop.cn/question/2168

（2）根据混淆矩阵，计算精确率与召回率的示例代码：

https://blog.csdn.net/sihailongwang/article/details/77527970

https://blog.csdn.net/lanchunhui/article/details/51221729

（3）关于精确率、召回率和F值概念的介绍：

https://www.cnblogs.com/Zhi-Z/p/8728168.html

（4）利用fit_generator来获得混淆矩阵：

https://blog.csdn.net/xfjjs_net/article/details/84798470

示例2：

https://blog.csdn.net/lulujiang1996/article/details/81540321

fit_generator的用法：

https://blog.csdn.net/xfjjs_net/article/details/84798045

（5）利用Python绘制混淆矩阵图：

https://blog.csdn.net/kane7csdn/article/details/83756583

（6）混淆矩阵、AUC和ROC

https://blog.csdn.net/u012735708/article/details/82877501