目录
混淆矩阵(Confusion Matrix)
混淆矩阵是ROC曲线绘制的基础，同时它也是衡量分类型模型准确度中最基本，最直观，计算最简单的方法。
模型常见评估方法 https://blog.csdn.net/qq_35290785/article/details/89554017
解释：
混淆矩阵就是分别统计分类模型归错类，归对类的观测值个数，然后把结果放在一个表里展示出来。这个表就是混淆矩阵
混淆矩阵是评判模型结果的指标，属于模型评估的一部分。此外，混淆矩阵多用于判断分类器（Classifier）的优劣，适用于分类型的数据模型，如分类树（Classification Tree）、逻辑回归（Logistic Regression）、线性判别分析（Linear Discriminant Analysis）等方法。
混淆矩阵的定义
混淆矩阵（Confusion Matrix），矩阵，可以理解为就是一张表格，混淆矩阵其实就是一张表格而已。以分类模型中最简单的二分类为例，我们的模型最终需要判断样本的结果是0还是1，或者说是positive还是negative。
一级指标（最底层的）：
- 真实值是positive，模型认为是positive的数量（True Positive=TP）
- 真实值是positive，模型认为是negative的数量（False Negative=FN）：这就是统计学上的第一类错误（Type I Error）
- 真实值是negative，模型认为是positive的数量（False Positive=FP）：这就是统计学上的第二类错误（Type II Error）
- 真实值是negative，模型认为是negative的数量（True Negative=TN）
例子：
将这四个指标一起呈现在表格中，就能得到如下这样一个矩阵，我们称它为混淆矩阵（Confusion Matrix）：
二级指标
但是，混淆矩阵里面统计的是个数，有时候面对大量的数据，光凭算个数，很难衡量模型的优劣。因此混淆矩阵在基本的统计结果上又延伸了如下4个指标，我称他们是二级指标（通过最底层指标加减乘除得到的）：
- 准确率（Accuracy）—— 针对整个模型（预测正确的个数 / 总样本中）
- 精确率（Precision）—— （预测positive正确的个数 / 预测为positive的样本）
- 灵敏度（Sensitivity）：就是召回率（Recall）
- 特异度（Specificity）
通过上面的四个二级指标，可以将混淆矩阵中数量的结果转化为0-1之间的比率。便于进行标准化的衡量。在这四个指标的基础上在进行拓展，会产令另外一个三级指标
三级指标
这个指标叫做F1 Score。他的计算公式是：
- 其中，P代表Precision，R代表Recall。
F1-Score指标综合了Precision与Recall的产出的结果。F1-Score的取值范围从0到1的，1代表模型的输出最好，0代表模型的输出结果最差。
refenrence:
https://blog.csdn.net/Orange_Spotty_Cat/article/details/80520839一个例子