混淆矩阵

混淆矩阵（Confusion matrix）

写博客之前在网上看了很多混淆矩阵的定义，说法各不一致，最后只好祭出了我的西瓜书。

混淆矩阵是判断分类好坏程度的一种方法。
另外还有ROC曲线和AUC曲线

1.概念

1）TN(True Negative)：真负类，负类预测为负类（0->>0）
2）FP(False Positive)：假正类，负类预测为正类（0->>1）
3）FN(False Negative)：假负类，正类预测为负类（1->>0）
4）TP(True Positive)：正类预测为正类（1->>1）

5）准确率：模型中所有判断正确的占总样本的比例
$$Accuracy=\frac{TP+TN}{TN+FP+FN+TP}$$
6）精准率：所有预测正类中，真实也是正类的比例
$$Precision=\frac{TP}{TP+FP}$$
7）召回率：所有真实正类中，预测也是正类的比例
$$Recall=Sensitivity=\frac{TP}{TP+FN}$$
8）特异度：所有真实负类中，预测为负类的比例
$$Specificity=\frac{TN}{TN+FP}$$

2.sklearn中的混淆矩阵

代码实现：
1）混淆矩阵(confusion_matrix)

y_test = [0, 1, 1, 0, 1, 1]
y_predict = [1, 0, 1, 0, 1, 0]
#构造混淆矩阵
from sklearn.metrics import confusion_matrix
cm = confusion_matrix(y_test, y_predict)
print(cm)
#out 
array([1, 1]
[2, 2])

2）精准率(precision_score)

#精准率
from sklearn.metrics import precision_score
ps = precision_score(y_test, y_predict)
print('精准率为：', '%.2f' % ps)# 2/(1+2)
#out
精准率为： 0.67

3） 召回率(recall_score)

#召回率
from sklearn.metrics import recall_score
rs = recall_score(y_test, y_predict)
print('召回率为：', '%.2f' % rs)# 2/(2+2)
#out
召回率为： 0.50