混淆矩阵及其评价指标

1、混淆矩阵

混淆矩阵也称误差矩阵，是表示精度评价的一种标准格式，用n行n列的矩阵形式来表示。在人工智能中，混淆矩阵是可视化工具，特别用于监督学习。

混淆矩阵的每一列代表了预测类别，每一列的总数表示预测为该类别的数据的数目；每一行代表了数据的真实归属类别，每一行的数据总数表示该类别的数据实例的数目。

		预测值
		Positive	Negative
真实值	Positive	True Positive (TP)	False Negative (FN)
	Negative	False Positive (FP)	True Negative (TN)

真阳性（True Positive, TP）：样本的真实类别是正例，并且模型预测的结果也是正例

       真阴性（True Negative, TN）：样本的真实类别是负例，并且模型将其预测成为负例     

       假阳性（False Positive, FP）：样本的真实类别是负例，但是模型将其预测成为正例

       假阴性（False Negative, FN）：样本的真实类别是正例，但是模型将其预测成为负例

2、混淆矩阵延伸出来的各个评价指标

	公式	意义
准确率ACC		在所有样本中，预测正确的样本占的比例
精确率PPV		在所有预测为正例的样本中，预测正确为正例所占的比例
召回率/敏感度/真阳率TPR		在所有实际为正例的样本中，预测正确为正例所占的比例
特异度TNR		在所有实际为负例的样本中，预测正确为负例所占的比例
流行程度		在所有样本中，实际为正例所占的比例
F1-Score		F1-Score就是精确率和召回率的调和平均值，F1-Score值认为精确率和召回率一样重要，其取值范围从0到1的，1代表模型的输出最好，0代表模型的输出结果最差。

3、混淆矩阵的实例

当分类问题是二分问题是，混淆矩阵可以用上面的方法计算。当分类的结果多于两种的时候，混淆矩阵同样适用。

举例，如有150个样本数据，预测为1,2,3类各为50个。分类结束后得到的混淆矩阵如下：

		预测
		类1	类2	类3
实际	类1	43	2	0
	类2	5	45	1
	类3	2	3	49

第一行说明有43个属于第一类的样本被正确预测为了第一类，有2个属于第一类的样本被错误预测为了第二类。第一列说明有43个属于第一类的样本被正确预测为了第一类，有5个属于第二类的样本、2个属于第三类的样本被错误预测为了第一类。

以类1为例，计算其他指标

 

如果感觉不错，那就给我点个赞吧(^_−)☆