1、混淆矩阵（Confusion Matrix）
混淆矩阵也称误差矩阵，是表示精度评价的一种标准格式，用n行n列的矩阵形式来表示。在人工智能中，混淆矩阵（confusion matrix）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（matching matrix）。混淆矩阵的每一列代表了预测类别，每一列的总数表示预测为该类别的数据的数目；每一行代表了数据的真实归属类别，每一行的数据总数表示该类别的数据实例的数目。
2、举例说明（二分类/多分类）
混淆矩阵中，永远是真实值在前，预测值在后。
（以下说明都是以二分类为例，如果涉及多分类则会标注）
在二分类混淆矩阵中，可以很容易看出，11和00的对角线就是全部预测正确的，01和10的对角线就是全部预测错误的。基于混淆矩阵，我们有六个不同的模型评估指标，这些评估指标的范围都在[0,1]之间，所有以11和00为分子的指标都是越接近1越好，所有以01和10为分子的指标都是越接近0越好。首先解释几个接下来需要的概念：
True Positive （真正, TP）被模型预测为正的正样本；
True Negative（真负 , TN）被模型预测为负的负样本 ；
False Positive （假正, FP）被模型预测为正的负样本；
False Negative（假负 , FN）被模型预测为负的正样本；
True Positive Rate（真正率 , TPR）或灵敏度（sensitivity） 或召回率（recall）
TPR = TP /（TP + FN）
正样本预测结果数 / 正样本实际数
True Negative Rate（真负率 , TNR）或特指度（specificity）
TNR = TN /（TN + FP）
负样本预测结果数 / 负样本实际数
False Positive Rate （假正率, FPR）
FPR = FP /（FP + TN）
被预测为正的负样本结果数 /负样本实际数
False Negative Rate（假负率 , FNR）
FNR = FN /（TP + FN）
被预测为负的正样本结果数 / 正样本实际数
对于所有的指标，我们用橙色表示分母，用绿色表示分子，则我们有：
（1）模型整体效果：准确率（Accuracy）
准确率Accuracy就是所有预测正确的所有样本除以总样本，通常来说越接近1越好。
【三分类中/多分类中】 Accuracy=
（2）精确度/查准率 Precision
精确度Precision，又叫查准率，表示所有被我们预测为是正类的样本中，真正的正类所占的比例。分母是列总和。【三分类中/多分类中】（0类）Precision=；
（1类）Precision=；
（2类）Precision=；
（3）召回率/真正率 Recall/TPR
召回率Recall，又被称为敏感度(sensitivity)，真正率，查全率，表示所有正样本中，被我们真实预测正确的样本所占的比例。分母是行总和。
【三分类中/多分类中】（0类）Recall=；
（1类）Recall=；
（2类）Recall=;
注意召回率和精确度的分子是相同的，只是分母不同。而召回率和精确度是此消彼长的。
（4）精确度和召回率平衡综合性指标：F1 measure
为了同时兼顾精确度和召回率，我们创造了两者的调和平均数作为考量两者平衡的综合性指标，称之为F1 measure。两个数之间的调和平均倾向于靠近两个数中比较小的那一个数，因此我们追求尽量高的F1 measure，能够保证我们的精确度和召回率都比较高。F1 measure在[0,1]之间分布，越接近1越好。
（5）假负率（False Negative Rate）FNR
假负率用于衡量所有真实为正的样本中，被错误判断为负的，它等于 1 - Recall。
举例： FNR = （二分类）
（6）真负率（True Negative Rate）TNR
特异度(Specificity)表示所有负样本中，被真实预测为负的样本所占的比例。
【三分类中/多分类中】（0类）TNR=
（1类）TNR=
（2类）TNR=
（7）假正率（False Positive Rate）FPR
假负率用于衡量所有真实为负的样本中，被错误判断为正的，它等于 1 - TNR。
举例：FPR=（二分类）
假正率其实类似于Precision的反向指标。
总结：FPR（假正率）+TNR（真负率）=1；FNR（假负率）+TPR（真正率）=1
求出真正率/召回率和真负率/特异度，就可以得到假正率和假负率。
以上多分类例子是以三分类为例，四分类五分类多分类都是一样的性质。对于多分类，假使针对类别0，那1,2类都算是负类；针对类别1，那么0,2类都算是负类；针对类别2，那么0,1类都算是负类。
3、测试
真实\预测 0 1 2
0 10 10 10
1 40 160 40
2 5 5 20
分类讨论以上混淆矩阵类别0、类别1和类别2的FP、TP、FN、TN。
答案如下：
对于类别0的 FP=45 TP=10 FN=20 TN=225
对于类别1的 FP=15 TP=160 FN=80 TN=45
对于类别2的 FP=50 TP=20 FN=10 TN=220
最后，另附一篇比较好的混淆矩阵相关参考博文：
https://www.cnblogs.com/zxyza/p/10059834.html
一人做事一人当 小马做事响当当 今天也要开心的度过鸭~