混淆矩阵

混淆矩阵

混淆矩阵（Confusion Matrix）是评估模型结果的指标，属于模型评估的一部分，混淆矩阵如下图所示。

• TP(True Positive): 真实为0，预测也为0

• FN(False Negative): 真实为0，预测为1

• FP(False Positive): 真实为1，预测为0

• TN(True Negative): 真实为0，预测也为0

1.准确率 Accuracy

准确率：所有预测正确的样本占所有样本的比例。

egin{align} otag accuracy = frac{TP + TN}{TP + FN + FP + TN} end{align}

## 2.精确率 Precision 精确率：预测结果为正例的样本中真实为正例的比例。

egin{align} otag precision = frac{TP}{TP + FP} end{align}

## 3.灵敏度 Sensitivity 灵敏度：即召回率（Recall）,真实为正例的样本中预测结果为正例的比例。

egin{align} otag accuracy = frac{TP}{TP + FN} end{align}

## 4.特异度 Specificity 特异度：真实为假例的样本中预测结果为反例的结果。

egin{align} otag accuracy = frac{TN}{FP + TN} end{align}

## 5.F1-score F1-score同时兼顾了分类模型的准确率和召回率，可以看作是模型准确率和召回率的一种加权平均。 F1-score的最大值是1，最小值是0。1代表模型输出结果好，0代表模型输出结果查。

egin{align} otag F1 = frac{2cdot precisioncdot recall}{precision + recall} end{align}

sklearn分类模型评估API

	sklearn.metrics.classification_report(y_true, y_pred, labels=None, target_names=None)

y_true：真实目标值
y_pred：预测目标值
labels：包含在报告中的可选标签索引列表
target_names：与标签匹配的可选显示名称（相同顺序）
return：每个分类的精确度，召回率，F1-score的文本摘要

---

你总是这样轻言放弃的话，无论多久都只会原地踏步。 ——《哆啦A梦》