【Python】【机器学习】混淆矩阵的各项指标计算

混淆矩阵的基本概念

在机器学习领域，混淆矩阵（confusion matrix），又称为可能性表格或是错误矩阵。它是一种特定的矩阵用来呈现算法性能的可视化效果，通常是监督学习（非监督学习，通常用匹配矩阵：matching matrix）。其每一列代表预测值，每一行代表的是实际的类别。这个名字来源于它可以非常容易的表明多个类别是否有混淆（也就是一个class被预测成另一个class）。

假设有一个用来对猫（cats）、狗（dogs）、兔子（rabbits）进行分类的系统，混淆矩阵就是为了进一步分析性能而对该算法测试结果做出的总结。假设总共有 27 只动物：8只猫， 6条狗， 13只兔子。结果的混淆矩阵如下图：

混淆矩阵的结构

混淆矩阵通常以二维表的形式展示，对于二分类问题，结构如下：

	预测正类 (Positive)	预测负类 (Negative)
实际正类 (Positive)	TP	FN
实际负类 (Negative)	FP	TN

这里的正负也就是预测正确和预测错误。

基本用语

Condition Positive § = 测试数据中正例的数量。此处是猫=5。

Condition Negatives (N) = 测试数据中反例的数量。此处是非猫=8。

True Positive (TP) = **是正例，且很幸运我也猜它是正例的数量。**此处4表示有4张图片是猫，且我也猜它是猫。TP越大越好，因为表示我猜对了。这个时候如果你质问我猫不是5张图片吗？那么别急，重新看看TP的定义。然后再看看FN的定义。

False Negative (FN) = **明明是正例，但很不幸，我猜它是反例的数量。**此处1表示有1张图片明明是猫，但我猜它非猫。**FN越小越好，因为FN说明我猜错了。**现在来看5张猫图片是不是全了。其中4张猫我猜是猫，1张猫我猜非猫。

True Negative (TN) = **是反例，且很幸运我也猜它是反例的数量。**此处5表示有5张图片是非猫，且我也猜它是非猫。TN越大越好，因为表示我猜对了。

False Positive (FP) = **明明是反例，但很不幸我猜它是正例的数量。**此处3表示有3张图片是非猫，但我猜它是猫。FP越小越好，因为FP说明我猜错了。

我感觉这么记这些缩写比较好：第一个True or False是指预测对不对，也就是说反斜对角线上开头都是True，正斜对角线上开头都是False。然后第二个Positive or Negative与列索引保持一致即可。

多分类问题的扩展

对于多分类问题，上述指标可以扩展为对每个类别分别计算，然后通过宏平均（macro-average）或微平均（micro-average）等方式综合得到整体指标：

• 宏平均（Macro-average）：对每个类别计算指标，然后取平均值，不考虑类别的样本数量。
• 微平均（Micro-average）：将所有类别的TP、FP、TN、FN累加后计算指标，考虑了类别的样本数量。

计算评估标准

	预测正类 (Positive)	预测负类 (Negative)
实际正类 (Positive)	TP	FN
实际负类 (Negative)	FP	TN

对着表格看一下以下公式：