混淆矩阵学习笔记

1. 概念理解：
   1. 混淆矩阵是ROC曲线绘制的基础，也是衡量分类型模型准确度最基本，最直观，计算最简单的方法
   2. 简单理解：混淆矩阵就是分别统计分类模型归错类，归对类的观测值个数并放在一个表中展示
   3. 应用混淆矩阵多用于判断分类器的优劣。
   4. 延伸：分类型模型评判的常用方法：
      1. 混淆矩阵
      2. ROC曲线
      3. AUC面积
2. 对于二分类的一级指标：(positive简记为p,negative简记为n）
   1. TP：真实值是p，预测是p的数量
   2. FN(统计学上的第二类错误)：真实值是p，预测是n的数量
   3. FP(统计学上的第一类错误)：真实值是n，预测是p的数量
   4. TN：真实值是n，预测是n的数量
   5. 巧记：都是对于预测值的评判，如果预测对了则为T，预测错了则为F
   6. 当得到矩阵之后会希望TP和TN更大，即副对角线上的值更大
3. 二分类的二级指标：（提出原因：混淆矩阵中统计的是个数，对于大量的数据，根据个数无法衡量模型的优劣）

    

   1. 准确率：计算所有判断正确的结果占总预测值的比重
   2. 精确度：预测为p中正确的比重
   3. 灵敏度：召回率，真实值为p的结果中预测正确的比重
   4. 特异度：真实值是n的结果中模型预测对的比重
   5. 公式：

   6. 通过4个二级指标，可以将数值转为0-1之间的比率，便于标准化的衡量

4. 三级指标：F1 score=精确率（precision）的倒数+召回率（recall）的倒数，取值范围[0,1]，1代表模型的输出最好，0代表模型的输出结果最差。
5. 对于多分类，可以分解为多个二分类（是or不是），或者直接整合为一个大的矩阵