混淆矩阵的概念

混淆矩阵（Confusion Matrix）是机器学习中用于评估分类模型性能的核心工具，通过展示模型预测结果与真实标签的对应关系，帮助分析模型的表现。它以表格形式呈现，适用于二分类、多分类甚至多标签问题。以下是对混淆矩阵的详细介绍，包括其定义、结构、作用、计算指标、应用场景以及注意事项。

---

1. 混淆矩阵的定义与结构

混淆矩阵是一个方形矩阵，用于总结分类模型的预测结果。矩阵的行表示样本的真实类别，列表示模型的预测类别。每个单元格表示某类真实标签被预测为某类的情况。

二分类混淆矩阵

对于二分类问题（例如，区分“正类”和“负类”），混淆矩阵通常为 2×2 的表格：

真实\预测	正类 (Predicted Positive)	负类 (Predicted Negative)
正类 (Actual Positive)	TP (True Positive)	FN (False Negative)
负类 (Actual Negative)	FP (False Positive)	TN (True Negative)

• TP（真阳性）：真实为正类，预测也为正类（正确预测）。

• TN（真阴性）：真实为负类，预测也为负类（正确预测）。

• FP（假阳性）：真实为负类，预测为正类（错误预测，误报）。

• FN（假阴性）：真实为正类，预测为负类（错误预测，漏报）。

多分类混淆矩阵

对于多