机器学习中衡量分类问题的性能指标

在机器学习领域，当我们想要衡量一个分类模型的优劣时，经常用到一些分析指标，如、精确率、正确率，但看这两个指标往往过于片面，并不能真正反映模型性能的优势。因此，可以引入混淆矩阵来衡量，在此，又得到：召回率（Recall）、 Specificity（特异性）、F1 Score衡量指标。

1.混淆矩阵

在机器学习领域，混淆矩阵（Confusion Matrix），又称为可能性矩阵或错误矩阵。混淆矩阵是可视化工具，特别用于监督学习，在无监督学习一般叫做匹配矩阵。在图像精度评价中，主要用于比较分类结果和实际测得值，可以把分类结果的精度显示在一个混淆矩阵里面。

• 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；每一列中的数值表示真实数据被预测为该类的数目。

• TP(True Positive，真正例)：将真实情况为正例的类型正确地预测为正例
• FN(False Negative，假反例)：将真实情况为正例的类型错误地预测为反例
• FP(False Positive，假正例)：将真实情况为反例的类型错误地预测为正例
• TN(True Negative，真反例)：将真实情况为