机器学习(ML)，自然语言处理(NLP)，信息检索(IR)等领域，评估(Evaluation)是一个必要的工作。
在分类型模型评判的指标中，常见的方法有如下三种：
- 混淆矩阵（也称误差矩阵，Confusion Matrix）
- ROC曲线
- AUC面积
; 一、混淆矩阵
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。
一句话解释版本： 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。
对于二分类的模型，预测结果与实际结果分别可以取0和1。我们用N和P代替0和1，T和F表示预测正确和错误。将他们两两组合，就形成了下图所示的混淆矩阵（注意：组合结果都是针对预测结果而言的）。
由于1和0是数字，阅读性不好，所以我们分别用P和N表示1和0两种结果。变换之后为PP，PN，NP，NN，阅读性也很差，我并不能轻易地看出来预测的正确性与否。因此，为了能够更清楚地分辨各种预测情况是否正确，我们将其中一个符号修改为T和F，以便于分辨出结果。
Original: https://blog.csdn.net/u013250861/article/details/122371030
Author: u013250861
Title: 人工智能-分类模型-评估指标（一）：混淆矩阵【准确率=所有预测正确的样本/总的样本、精确率=将正类预测为正类/所有预测为正类、召回率=将正类预测为正类/所有真正的正类、F1-Measure】
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/666589/
转载文章受原作者版权保护。转载请注明原作者出处！