混淆矩阵

在机器学习（人工智能领域）， 混淆矩 阵 （ confusionmatrix ）是可 视 化工具，特 别 用于 监督学习 ，在无监督学习一般叫做匹配矩 阵 。 矩阵的列表示预测类的实例，行表示实际类的实例，这样通过混淆矩阵的一些指标可以衡量算法的精度。

		Predicted
		Negative	Positive
Actual	Negative	a	b
	Positive	c	d

一个完美的分类模型是，将实际上是good的实例预测成good，将bad的实例预测称bad。对于实际应用中的分类模型，可能预测错误实例类型，因此我们需要知道到底预测对了多少实例，预测错了多少实例。混淆矩阵就是将这些信息放在一个表中，便于直观的观测和分析。

      在分类问题中，预测的情形存在如下四种：

1. good—》good： true positive类型， 设数目为a；

2. good-》bad：   false negative类型，设数目为b；

3. bad-》bad：    true negative类型， 设数目为c；

4. bad-》good：   false positive类型，设数目为d；

      因此   实际的good实例数目为：a+b       实际的bad数目为：c+d

             预测的good实例数目为：a+d       预测的bad数目为：b+c

几组常用的评估指标：

    1. 准确率accuracy： 针对整个预测情况。预测正确的/总实例数 = (a+c)/(a+b+c+d)

    2. 误分类率error rate： 针对整个情况。预测错误的/总实例数 = (b+d)/(a+b+c+d)

    3. 召回率recall/敏感性sensitivity: 针对good的正确覆盖了。预测对的good实例/实际good的实例 = a/(a+b)

    4. 特异性specificity: 针对bad的预测正确率。预测对的bad实例/实际的bad实例数 = c/(c+d)

    5. 命中率precision: 针对good的预测正确率。预测对的good实例/预测的good实例数 = a/(a+d)

    6. Type I error: False Discovery Rate(FDR, false alarm) = 1- precision

    7. Type II error: miss rate = 1- sensitivity

注：

1. sensitivity vs. specificity

2. recall vs. precision

3. accuracy vs. error rate

4. type I error vs. type II error

5. 针对precision和recall有F1指标，用于实现两者之间的tradeoff。