机器学习之混淆矩阵

在得到模型后，你需要借助一些指标来评估这个模型的好坏。人在学习后，会通过考试来评价学习效果，最终会评出优等生、差等生。机器学习也是一样的。区别只是机器学习会根据问题的不同，用不同的指标来进行模型效果的评估。对于分类问题，混淆矩阵是一种直观的模型效果分析方法。假设有个二分类模型，可以对一件事的正（P）负（N）作出判断。这样，在一次判断中，存在真实结果 $\hat{y}$ 和预则结果y。如果二者相等，也就是本次预测结果正确；反之则错误。假设有100个不同的测试用例，就会有以下四种可能性：

1. 本来是P的用例被预测为P；
2. 本来为P的用例被预测为N；
3. 本来是N的用例被预测为P；
4. 本来为N的用例被预测为N。

我们把这四种情况进行统计，就得到了这样的一个表格，这就是混滴矩阵。

在这个表中，横向表示预测结果，纵向表示真实结果。我们用TP、FP、FN、TN表示上面的四种可能性。这里面的T和F表示正确预测（true）或错误预测（false）；而P和N是被T或F修饰的正负，显然这是预测值，因为只有预测值才有对错之分。那么，首先，TP为True Positive，含义为真的正样本。也就是预测值为P，真实值也是P的情况。这个例子中，共有20个样本属于TP。其次，FP为False Positive，含义为假的正样本，也就是预测值为P真实值为N的情况。这里共有8个样本属于FP。接下来，FN为False Negative，含义为假的负样本，也就是预测值为N真实值为P的情况。这里共有6个样本属于FN。最后的TN为True Negative，含义为真的负样本，也就是预测值和真实值都为N的情况。这里共有66个样本属于TN。有了混滴矩阵后，就能计算一些模型的统计量指标了。