混淆矩阵(Confusion Matrix)是一种常用的分类模型评估工具,它展示了一个分类器在对数据进行分类时的性能表现。混淆矩阵是一个二维表格,其中行表示实际的类别,列表示预测的类别。
一个混淆矩阵包含了四种分类结果:
真正例(True Positive,TP):表示实际为正例的样本被正确预测为正例的数量。
假负例(False Negative,FN):表示实际为正例的样本被错误地预测为负例的数量。
假正例(False Positive,FP):表示实际为负例的样本被错误地预测为正例的数量。
真负例(True Negative,TN):表示实际为负例的样本被正确预测为负例的数量。
下面是一个2x2的混淆矩阵示例:
预测为正例 | 预测为负例 | |
---|---|---|
实际为正例 | TP | FN |
实际为负例 | FP | TN |
混淆矩阵可以被用来计算多种分类模型的性能指标,比如准确率(Accuracy)、召回率(Recall)、精确率(Precision)、F1值(F1-score)等。这些指标可以根据混淆矩阵中的真正例、假负例、假正例、真负例的数量计算得出。