神经网络小记-混淆矩阵

混淆矩阵（Confusion Matrix）是在机器学习和统计学中用于评估分类模型性能的一种常用工具。它以表格的形式显示了模型的预测结果与实际真值之间的关系，特别适用于二元分类问题。混淆矩阵通常包含以下四个重要的指标：

假设我们有一个二元分类问题，其中：

• 正类别（Positive Class）：表示我们关注的目标类别，通常用"1"表示。
• 负类别（Negative Class）：表示不是目标类别的类别，通常用"0"表示。

混淆矩阵的四个指标如下：

1. 真正例（True Positives，TP）：模型正确地将正类别样本分类为正类别的数量。

2. 真负例（True Negatives，TN）：模型正确地将负类别样本分类为负类别的数量。

3. 假正例（False Positives，FP）：模型错误地将负类别样本分类为正类别的数量（误报）。

4. 假负例（False Negatives，FN）：模型错误地将正类别样本分类为负类别的数量（漏报）。

混淆矩阵通常以如下形式呈现：

                  预测正例     预测负例
实际正例（真正例）    TP          FN
实际负例（真负例）    FP          TN

基于混淆矩阵，可以计算出多个分类性能指标，如准确率、召回率、精确度、F1分数等，这些指标有助于评估模型的性能和效果。

• 准确率（Accuracy） ：分类正确的样本数占总样本数的比例，即 (TP + TN) / (TP + TN + FP + FN)。

• 召回率（Recall） ：正类别样本被正确分类为正类别的比例，即 TP / (TP + FN)。

• 精确度（Precision） ：被分类为正类别的样本中，真正为正类别的比例，即 TP / (TP + FP)。

• F1分数（F1 Score） ：综合考虑了准确率和召回率，是一个平衡的度量指标，即 2 * (Precision * Recall) / (Precision + Recall)。

混淆矩阵是评估二元分类模型性能的重要工具，它能够清晰地展示模型的分类情况，帮助分析模型的优点和不足，进而改进模型的性能。