深度学习自学记录（3）——两种多分类混淆矩阵的Python实现（含代码）

1、什么是混淆矩阵

深度学习中，混淆矩阵是ROC曲线绘制的基础，同时它也是衡量分类型模型准确度中最基本，最直观，计算最简单的方法。它可以直观地了解分类模型在每一类样本里面表现，常作为模型评估的一部分。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）。
首先要明确几个概念：
T或者F：该样本 是否被正确分类。
P或者N：该样本 原本是正样本还是负样本。
真正例(True Positive，TP)：预测正确；模型预测也是正例，样本的真实类别是正例，
真负例(True Negative，TN)：预测正确：模型预测为负例，样本的真实类别是负例，
伪正例(False Positive，FP)：预测错误：模型预测为正例，样本的真实类别是负例，
伪负例(False Negative，FN)：预测错误；模型预测为负例&#x