混淆矩阵是什么？一张表看清分类模型对在哪、错在哪

混淆矩阵（Confusion Matrix）是机器学习中评估分类模型性能的工具。它通过一张表格，列出模型的真阳性、真阴性、假阳性和假阴性预测的数量，以此总结分类模型的表现。它有助于全面地评估模型预测的准确性和有效性，也是计算各种评价指标的基础。

二分类的混淆矩阵

对于只有两个类别的二元分类问题，比如判断邮件是否是垃圾邮件，混淆矩阵是一个 2 乘 2 的表格。表格的行通常表示实际的类别，列表示模型预测的类别（也有相反的画法），形成四个格子：

真阳性（TP）：实际是垃圾邮件，模型也判断为垃圾邮件，判对了。假阴性（FN）：实际是垃圾邮件，模型却判断为正常邮件，漏掉了。假阳性（FP）：实际是正常邮件，模型却判断为垃圾邮件，误报了。真阴性（TN）：实际是正常邮件，模型也判断为正常邮件，判对了。

对角线上的两个格子（真阳性和真阴性）是判断正确的情况，另外两个格子是判断错误的情况。一个好的模型，对角线上的数字应该大，非对角线上的数字应该小。

为什么叫“混淆”矩阵

这个名字来自它能清楚地展示模型把哪些类别“混淆”了。在多分类问题中，混淆矩阵会更加有用：如果有 10 个类别，它就是一个 10 乘 10 的表格，每一行代表一个实际的类别，每一列代表一个预测的类别，格子里的数字表示有多少个某类的样本被预测成了另一类。通过它，可以清楚地看到：模型经常把哪两个类别搞混。比如一个识别手写数字的模型，可能经常把 4 认成 9，把 3 认成 8；一个识别动物的模型，可能经常把狼认成哈士奇。这些信息对于发现模型的弱点、有针对性地改进非常有价值，比如为容易混淆的类别补充更多的训练数据。

从混淆矩阵计算各种指标

很多常用的分类评价指标，都可以直接从混淆矩阵中计算出来：准确率，等于判断正确的样本数（真阳性加真阴性）除以总样本数；精确率，等于真阳性除以（真阳性加假阳性），衡量模型判为阳性的样本中有多少是对的；召回率，等于真阳性除以（真阳性加假阴性），衡量实际的阳性样本中有多少被找出来了；特异度，等于真阴性除以（真阴性加假阳性）；以及综合了精确率和召回率的 F1 分数。

混淆矩阵最大的价值，在于它提供了比单一准确率更完整的信息。尤其是在类别不均衡的情况下，一个准确率很高的模型，可能在少数类别上几乎全部判错，只有通过混淆矩阵才能发现这一问题。