机器学习中，首先搜集数据，清理数据，预处理算法设计，那么如何知道算法的有效性呢？如何评估预测模型能不能有效地进行分类以及分类准确性如何，这就涉及到这里要说的混淆矩阵，混淆矩阵被广泛应用于评估机器学习的分类问题的(主要是监督学习)。本文将会包括下面几个部分。

  1. 什么是混淆矩阵
  2. 二分类问题的混淆矩阵计算

什么是混淆矩阵

分类问题中，机器学习的算法评估中分为4个概念，分别是 (1)若一个实例是正类并且被预测为阳性，即为真阳性(True Postive TP) (2)若一个实例是阳性，但是被预测成为阴性，即为假阴性(False Negative FN) (3)若一个实例是阴性，但是被预测成为阳性，即为假阴性(False Postive FP) (4)若一个实例是阴性，预测成为阴性，即为真阴性(True Negative TN)，如下表所示 confusion_matrix 下面具体说明，假设对于一个怀孕的检查来说。 confusion_matrix_pre

真阳性：

你预测或者说检测为真，检测结果准确。 就是说你的检查结果显示一个妇女怀孕了，真实结果是她确实是怀孕了。

真阴性：

预测结果显示为假但是实际结果却是真。 检查显示该妇女没有怀孕，而真实结果是她怀孕了。

假阳性（一型错误）：

预测结果显示为真，但真实结果是假。 该例中，一个男人在检测结果显示为怀孕了，真实情况是他没有怀孕。

假阴性（二型错误）：

预测结果显示为假，但真实情况为真。 该例中，一个妇女检测结果显示为没怀孕，但真实情况是她怀孕了。

总的来说判断方法为首先预测是阳性还是阴性，然后看判断的真假情况。 预测为真，预测正确，那么是真阳性。 预测为真，预测错误，那么是假阳性。 预测为假，预测正确，那么是真阴性。 预测为假，预测错误，那么是假阴性。

二分类问题的混淆矩阵计算

知道了混淆矩阵的内容，接下来就是各项参数的计算了，主要就是recall，precision，accuracy math

recall计算

recall = TP/(TP+FN)

描述就是在所有真实情况为真的样本中，被预测为真所占的比例，由定义可知recall越高越好。 例子中，第2，4，5，7个样本为真，预测显示2，4为真那么recall就是2/4=1/2

precision计算


precision = TP/(TP+FP)

描述就是在所有预测为真的样本中，确实为真的样本所占的比例，越高越好。 例子里，一共预测了3个样本（第2，3，4个样本）为真，真实为真的是第2，4，因此为2/3.

accuracy 计算

accuracy = (TP+TN)/(TP+FP+TN+FN)

描述为所有样本中分类正确样本所占的比例,当然也是越高越好。 例子中一共7个样本，其中1，2，4，6样本分类正确，因此accuracy就是4/7

实际情况中，如果两个算法在recall和precision表现不一致时，怎么比较优劣呢？这里介绍一个应用广泛的参数f-measure.

f-measure 计算

f-measure翻译为F值

f_measure = 2*recall*precision/(recall + precision)

f值同时参考了recall和precision的参数，可以用于不同算法的优劣性比较。

总结

本文介绍了机器学习中用于评价模型好坏的混淆矩阵，具体的概念以及在实际情况中如何计算模型的各个参数。