[二分类]混淆矩阵

混淆矩阵（confusion matrix）是分类任务中最常见的特性，通过矩阵形式展示预测类别和真实类别的差异

本文学习二分类下的混淆矩阵

正样本和负样本

将包含指定类别的图像称为正样本（positive case），不包含指定类别的图像称为负样本（negative case）

混淆矩阵

混淆矩阵是一个两行两列的表格，其结构如下：

		Actual class
		true	false
Predicted class	positive	true positive(TP)	false positive(FP)	预测正样本个数=TP+FP
	negative	false negative(FN)	true negative(TN)	预测负样本个数=FN+TN
		实际正样本个数=TP+FN	实际负样本个数=FP+TN

对数据进行检测，能够得到以下4种检测结果

• 预测结果是正样本
  • 实际是正样本，称为真阳性（true positive，简称TP）
  • 实际是负样本，称为假阳性（false positive, 简称FP）
• 预测结果是负样本
  • 实际是正样本，称为假阴性（false negative，简称FN）
  • 实际是负样本，称为真阴性（true negative, 简称TN）

也就是说，根据预测情况决定预测结果是阳性还是阴性；根据实际结果决定预测结果是真还是假

相关阅读

• wiki Confusion matrix
• 3.3.2.9.1. Binary classification

wiki和sklearn手册上均拥有相关描述，内容是一致的，注意具体描述即可