版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/while10/article/details/86411591
准确率：
准确率有的时候是骗人的，举一个例子来说，如果有100只动物，其中90只猫，10只狗，我们训练了一个模型，这个模型将我们的这100只动物全都预测成了猫，从我们主观上判断这个模型肯定是不好的（我的目的是为了区分，他却给我预测成全部都是一样的），但是我们从准确率来看，P(猫)=90/100=90%，预测猫的准确率还挺高的，所以我们说有的时候准确率是骗人的，在很多情况下不能说明一个模型的好坏。所以又引入了混淆矩阵。
混淆矩阵：
首先我们来说一下什么是混淆矩阵，混淆矩阵（confusion matrix），也被称为错误矩阵（error matrix）。矩阵的每一列表达了分类器对样本的预测类别，矩阵的每一行则表达了样本所属的真实类别，之所以叫做:“混淆矩阵”，是因为能够很容易的看到机器学习有没有将样本的类别给混淆了（或者说可以清楚地看到有多少样本被分类分对了或者是分错了）。
以下有几个概念需要先说明：
TP(True Positive): 真实为0，预测也为0
FN(False Negative): 真实为0，预测为1
FP(False Positive): 真实为1，预测为0
TN(True Negative): 真实为0，预测也为0
可以这样理解：True和False分别代表预测值的对错，Positive代表真实值为1，Negative代表真实值为0
混淆矩阵的形式如下：
公式的计算：
准确度(Accuracy) = (TP+TN) / (TP+TN+FN+TN)
精度(precision, 或者PPV, positive predictive value) = TP / (TP + FP)
召回(recall, 或者敏感度，sensitivity，真阳性率，TPR，True Positive Rate) = TP / (TP + FN)
特异度(specificity，或者真阴性率，TNR，True Negative Rate) = TN / (TN + FP)