混淆矩阵（Confusion Matrix）

混淆矩阵

		预测
		0	1
真实	0	TN	FP
	1	FN	TP

TP（True Positive）、FP（False Positive）、TN（True Negative）和FN（False Negative）是用于评估分类模型性能的四个基本概念，特别是在二分类问题中。这些概念帮助我们理解模型在预测正类和负类时的准确性。

• True Positive (TP): 当一个样本实际上是正类（例如，病人确实有病），并且模型正确地预测了它是正类时，这种情况称为真阳性。它表示模型成功地识别出了一个正例。

• False Positive (FP): 如果一个样本实际上是负类（例如，病人实际上没有病），但模型错误地预测为正类，这就是假阳性。这可能导致不必要的警报或治疗，比如误诊。

• True Negative (TN): 当一个样本实际上是负类，并且模型正确地预测了它是负类时，这是真阴性。这意味着模型正确地排除了某个情况，比如正确判断某人未患病。

• False Negative (FN): 如果一个样本实际上是正类，但模型错误地预测为负类，这就是假阴性。这在某些情况下可能非常严重，比如未能识别出疾病患者。

这些指标可以用来计算各种评价指标，如准确率、精确率、召回率和F1分数等，以全面评估模型的性能。例如：

• 准确率 = (TP + TN) / (TP + FP + TN + FN)，衡量所有预测中正确的比例。
• 精确率 = TP / (TP + FP)，关注在所有被预测为正类的样本中，实际为正类的比例。
• 召回率 = TP / (TP + FN)，衡量所有实际正类中被正确预测为正类的比例，也称为敏感度。
• FPR (False Positive Rate) = FP / (FP + TN)，常用于ROC曲线中，表示预测为正类的负类样本的比例。