查看“模型评估指标”的源代码

混淆矩阵(Confusion matrix, error matrix)是一种具有两个维度的(实际与预测)列联表，矩阵的每一列代表一个类的实例预测，而每一行表示一个实际的类的实例。通过这个矩阵可以方便地看出模型是否将两个不同的类混淆了。
{| class="wikitable"
|+
!
!
! colspan="2" |Predicted condition
|-
|
|'''Total population = P + N'''
|Positive (PP)
|Negative (PN)
|-
| rowspan="2" |'''Actual condition'''
|Positive (P)
|True positive (TP), 真阳性
|False negative (FN), 假阴性
|-
|Negative (N)
|False positive (FP), 假阳性
|True Negative (TN), 真阴性
|}

==== 评估指标 ====
* 精准率(precision): TP/(TP+FP)。又称查准率，预测为阳性的数据中预测正确的数据个数
* 招回率(recall): TP/(TP+FN)。又称查全率，它是针对原样本而言，阳性的数据中预测正确的数据个数。召回率越高，代表实际想检测出来的阳性的概率越高(可以假阳性FP也会高)
* F1 score: 以 precision & recall 做正交直角坐标系，为 P-R 图。F1 = 2*P*R / (P + R)，取一个平衡点，可以同时让查准率和查全率最高
* 准确率: (TP+TN)/ALL。预测正确的结果占比。在样本不平衡的情况下，不能作为很好的指标来衡量结果

====Sample====
{| class="wikitable" style="text-align:center;"
!Individual Number
!1
!2
!3
!4
!5
!6
!7
!8
!9
!10
!11
!12
|-
! style="background:#eeeebb" |Actual Classification
| style="background:#ffffcc" |1
| style="background:#ffffcc" |1
| style="background:#ffffcc" |1
| style="background:#ffffcc" |1
| style="background:#ffffcc" |1
| style="background:#ffffcc" |1
| style="background:#ffffcc" |1
| style="background:#ffffcc" |1
| style="background:#ddddaa" |0
| style="background:#ddddaa" |0
| style="background:#ddddaa" |0
| style="background:#ddddaa" |0
|-
! style="background:#bbeeee" |Predicted Classification
| style="background:#aadddd" |0
| style="background:#aadddd" |0
| style="background:#ccffff" |1
| style="background:#ccffff" |1
| style="background:#ccffff" |1
| style="background:#ccffff" |1
| style="background:#ccffff" |1
| style="background:#ccffff" |1
| style="background:#ccffff" |1
| style="background:#aadddd" |0
| style="background:#aadddd" |0
| style="background:#aadddd" |0
|}
{| class="wikitable"
!
!
! colspan="2" |Predicted condition
|-
|
|'''Total population = 8 + 4'''
|Positive (PP)
|Negative (PN)
|-
| rowspan="2" |'''Actual condition'''
|Cancer 8
|6
|2
|-
|Non-cancer 4
|1
|3
|}

== See Also ==
# [https://zhuanlan.zhihu.com/p/46714763 知乎 - 准确率，精准率，召回率，真正率，假正率，ROC/AUC]

[[分类:Develop]]
[[分类:Algorithm]]