一、 混淆矩阵( Confusion Matrix )

混淆矩阵是评判模型结果的一种指标，属于模型评估的一部分，常用于评判分类器模型的优劣。

首先要明白两个标志位的含义？第一位表示分类器是否预测正确，第二位表示分类器的预测结果。因此我们应该从后往前看，先看预测结果是Positive（正样本）还是Negative（负样本）？再看分类器有没有预测正确。

TP：True Positive，分类器预测结果为正样本，实际也为正样本，即正样本被正确识别的数量。

FP：False Positive，分类器预测结果为正样本，实际为负样本，即误报的负样本数量。

TN：True Negative，分类器预测结果为负样本，实际为负样本，即负样本被正确识别的数量。

FN：False Negative，分类器预测结果为负样本，实际为正样本，即漏报的正样本数量。

我的理解：以TP为例。TP，字面意思，真正的 正样本。首先一点，只有预测值才有真假一说，真实值是没有真假一说的，或者就认为是真的，因为真实值是已经发生的。所以，TP的T指的是预测值的真假性，此处为T，即P正样本这一预测值是正确的，何为正确，即符合真实值。

以daisy为例，将下图划分为四个区域：

部分代码：

for i in range(self.num_classes):
    # 真正例（True Positives，TP），即混淆矩阵中对角线上的值，表示类别i被正确预测为类别i的次数
    TP = self.matrix[i, i]  # 分类器预测结果为正，实际也为正

    # 假正例（False Positives，FP），即混淆矩阵中第i行除了对角线上的所有值的和，表示被错误地预测为类别i的次数
    FP = np.sum(self.matrix[i, :]) - TP # 分类器预测结果为正，实际为负

    # 假负例（False Negatives，FN），即混淆矩阵中第i列除了对角线上的所有值的和，表示类别i被错误地预测为其他类别的次数
    FN = np.sum(self.matrix[:, i]) - TP  # 分类器预测结果为负，实际为正

    # 真负例（True Negatives，TN），即混淆矩阵中除了第i行和第i列之外的所有值的和，表示其他类别被正确预测为非类别i的次数
    TN = np.sum(self.matrix) - TP - FP - FN  # 分类器预测结果为负(不是...类)，实际为负(不是...类)

    # 真正例占所有被预测为该类别的样本的比例。如果分母（TP + FP）为0（即没有样本被预测为该类），则精度设为0
    Precision = round(TP / (TP + FP), 3) if TP + FP != 0 else 0.

    # 真正例占所有实际属于该类别的样本的比例。如果分母（TP + FN）为0（即没有实际属于该类的样本），则召回率设为0
    Recall = round(TP / (TP + FN), 3) if TP + FN != 0 else 0.

    # 真负例占所有被预测为非该类别的样本的比例。如果分母（TN + FP）为0（即没有样本被预测为非该类），则特异性设为0
    Specificity = round(TN / (TN + FP), 3) if TN + FP != 0 else 0.