混淆矩阵

混淆矩阵（Confusion Matrix）

混淆矩阵是一个列表，里面包含了实际值和判断值的情况。下图是信息更加丰富的一张混淆矩阵图：

作为良好的学习模型，TN和TP值是高的，FP和FN值=0；但是很多场景下FP和FN都不是0，那么怎么评价个分类学习的效果（performance）呢？

Accuracy：全准率

(TP+TN)/total = (100+50)/165 = 0.91

Misclassification Rate：差错率

(FP+FN)/total = (10+5)/165 = 0.09，其实A+M=1（互补）

True Positive Rate（TPR）：查全率（Recall），对于实际是yes的case，识别出来的占所有的yes的比重

TP/actual yes = 100/105 = 0.95

False Positive Rate（FPR）：对于false的case，未识别出来的概率

FP/actual no = 10/60 = 0.17

Specificity：特异性，对于false的case，识别出来的概率

TN/actual no = 50/60 = 0.83

注意，和上面的FPR互补

Precision：准确率，对于yes的case，识别出来概率

TP/predicted yes = 100/110 = 0.91

 

参考

https://www.dataschool.io/simple-guide-to-confusion-matrix-terminology/