混淆矩阵
在机器学习领域中，混淆矩阵（confusion matrix）是一种评价分类模型好坏的形象化展示工具。其中，矩阵的每一列表示的是模型预测的样本情况；矩阵的每一行表示的样本的真实情况。
举个经典的二分类例子：
混淆矩阵是除了ROC曲线和AUC之外的另一个判断分类好坏程度的方法，通过混淆矩阵我们可以很清楚的看出每一类样本的识别正误情况。
混淆矩阵比模型的精度的评价指标更能够详细地反映出模型的”好坏”。模型的精度指标，在正负样本数量不均衡的情况下，会出现容易误导的结果。
基本概念
【1】 True Positive
真正类(TP)，样本的真实类别是正类，并且模型识别的结果也是正类。
【2】False Negative
假负类(FN)，样本的真实类别是正类，但是模型将其识别成为负类。
【3】 False Positive
假正类(FP)，样本的真实类别是负类，但是模型将其识别成为正类。
【4】True Negative
真负类(TN)，样本的真实类别是负类，并且模型将其识别成为负类。
评价指标
【1】Accuracy（正确率）
模型的精度，即模型识别正确的个数 / 样本的总个数 。一般情况下，模型的精度越高，说明模型的效果越好。
【2】Precision（准确率）
=查准率 ，在模型识别为正类的样本中，真正为正类的样本所占的比例。 一般情况下，查准率越高，说明模型的效果越好。
关于Accuracy（正确率）和Precision（准确率）的区别：
分类正确率（Accuracy），不管是哪个类别，只要预测正确，其数量都放在分子上，而分母是全部数据数量，这说明正确率是对全部数据的判断。
而准确率在分类中对应的是某个类别，分子是预测该类别正确的数量，分母是预测为该类别的全部数据的数量。
或者说，Accuracy是对分类器整体上的正确率的评价，而Precision是分类器预测为某一个类别的正确率的评价。
【3】Recall（召回率）
=查全率，表示的是，模型识别为正类的样本的数量，占总的正类样本数量的比值。 一般情况下，Recall越高，说明有更多的正类样本被模型预测正确，模型的效果越好。
【4】Specificity
表示的是，模型识别为负类的样本的数量，占总的负类样本数量的比值。
【5】Fβ_Score
准确率和召回率的调和平均，比较常用的是F1。
【6】F1_Score
β=1的情况，F1-Score的值是从0到1的，1是最好，0是最差
