多分类混淆矩阵的理解

借用其它博客的一张例子示意图，该图为一个三分类问题的混淆矩阵，对角线的值表示分类器对该类别预测正确的个数，每一列纵轴表示这个类别真实的样本数，例如从第一列可以得知猫一共有10+3+5=18只，因此总样本数为三列之和，即66。

下面以猫为例，介绍从混淆矩阵中计算TP、TN、FP、FN。

TP(True Positive)和FN(False Negative)：从第一列可知，猫一共有18只，其中只有10个被分类器正确预测，而有3只被预测成狗，5只被预测成猪，因此对猫这个类别来说，TP=10（正确预测成猫的样本数），FN=8（被预测成其它类别的样本数）；

FP(False Positive)：从第一行可以得知分类器一共将10+1+2=13个样本预测成猫，其中正确的只有10个，错误的有3个，因此FP=3（被错误预测成猫的样本数）。

TN(True Negative)：TN表示分类器正确将不是猫的样本预测为其它类别的样本数，从第一行可知分类器将13个样本预测为猫，因此它将66-13=53个样本预测成了其它类别，而从第一列可知有8个样本本来是猫却被错误预测为其它类别(即FN)，因此正确将不是猫的样本分成其它类别的有53-8=45个，整个计算公式就是 TN=66-13-8=66-(TP+FP+FN)，所以TN一般会放在最后计算。