在機器學習領域中，混淆矩陣（confusion matrix）是一種評價分類模型好壞的形象化展示工具。其中，矩陣的每一列表示的是模型**的樣本情況；矩陣的每一行表示的樣本的真實情況。1. 混淆矩陣的舉例
例如用乙個分類模型來判別乙個水果是蘋果還是梨，混淆矩陣將會模型的**結果總結成如下表所示的**。
模型**結果
蘋果
真實結果蘋果10
梨3
通過上述**可以看出，樣本的數量一共是10+
2+3+
15=30 個樣本。其中蘋果有10+
2=12 個，梨有3+
15=18 個。該模型**的蘋果的數量是10+
3=13 個，有
10 個是**正確的，
3 個是**錯誤的。該模型**的梨的數量是2+
15=17個，其中有
15 個是**正確的，
2 個是**錯誤的。
2. 混淆矩陣
對於乙個二分類的模型，其模型的混淆矩陣是乙個2×
2的矩陣。如下圖所示：
predicted condition
positive
true conditionpositivetrue positive
negativefalse positive
混淆矩陣比模型的精度的評價指標更能夠詳細地反映出模型的」好壞」。模型的精度指標，在正負樣本數量不均衡的情況下，會出現容易誤導的結果。
其中，列是模型**的結果，行是樣本真實的結果。四個矩陣元素的含義分別是:
2.1 true positive
真正類(tp)，樣本的真實類別是正類，並且模型**的結果也是正類。
2.2 false negative
假負類(fn)，樣本的真實類別是正類，但是模型將其**成為負類。
2.3 false positive
假正類(fp)，樣本的真實類別是負類，但是模型將其**成為正類。
2.4 true negative
真負類(tn)，樣本的真實類別是負類，並且模型將其**成為負類。
3. 混淆矩陣延伸出的各個評價指標
從混淆矩陣中，可以衍生出各種評價的指標。如下是擷取的wiki上的乙個截圖（
各個指標的定義以及含義如下所示：
3.1 accuracy
模型的精度，即模型**正確的個數 / 樣本的總個數 ac
cura
cy=t
p+tn
tp+f
n+fp
+tn
一般情況下，模型的精度越高，說明模型的效果越好。
3.2 positive predictive value (ppv, precision)
查準率，陽性**值，在模型**為正類的樣本中，真正為正類的樣本所佔的比例。 pr
ecis
ion=
tptp
+fp
一般情況下，查準率越高，說明模型的效果越好。
3.3 false discovery rate (fdr)
錯誤發現率，表示在模型**為正類的樣本中，真正的負類的樣本所佔的比例。 fd
r=fp
tp+f
p 一般情況下，錯誤發現率越小，說明模型的效果越好。
3.4 false omission rate (for)
錯誤遺漏率，表示在模型**為負類的樣本中，真正的正類所佔的比例。即評價模型」遺漏」掉的正類的多少。 fo
r=fn
fn+t
n 一般情況下，錯誤遺漏率越小，模型的效果越好。
3.5 negative predictive value (npv)
陰性**值，在模型**為負類的樣本中，真正為負類的樣本所佔的比例。 np
v=tn
fn+t
n 一般情況下，npv越高，說明的模型的效果越好。
3.6 true positive rate (tpr, recall)
召回率，真正類率，表示的是，模型**為正類的樣本的數量，佔總的正類樣本數量的比值。 re
call
=tpt
p+fn
一般情況下，recall越高，說明有更多的正類樣本被模型**正確，模型的效果越好。
3.7 false positive rate (fpr), fall-out
假正率，表示的是，模型**為正類的樣本中，佔模型負類樣本數量的比值。 fa
ll−o
ut=f
pfp+
tn一般情況下，假正類率越低，說明模型的效果越好。
3.8 false negative rate (fnr), miss rate
假負類率，缺失率，模型**為負類的樣本中，是正類的數量，佔真實正類樣本的比值。 fn
r=fn
fn+t
n 缺失值越小，說明模型的效果越好。
3.9 true negative rate (tnr)
一般情況下，真負類率越高，說明的模型的效果越好 tn
r=tn
fn+t
n
混淆矩陣評價指標 分類效果評價指標一混淆矩陣
1.混淆矩陣 判斷分類模型好壞 混淆矩陣是roc曲線繪製的基礎，同時它也是衡量分型別模型準確度中最基本，最直觀，計算最簡單的方法。一句話解釋版本 混淆矩陣就是分別統計分類模型歸錯類，歸對類的觀測值個數，然後把結果放在乙個表裡展示出來。這個表就是混淆矩陣。混淆矩陣是評判模型結果的指標，屬於模型評估的一...
機器學習（混淆矩陣）
1 混淆矩陣 真實性positive 1 negative 0 值poistive 1 tp true positive 11 fp false positive 01 negative 0 fn false negaative 10 tn true negative 00 2 四種指標 公式意義 ...
機器學習模型評價指標 回歸任務
from sklearn.metrics import mean absolute error 沒找到sklearn怎麼實現，先用python 實現吧from sklearn.metrics import median absolute errorfrom sklearn.metrics impor...