混淆矩阵的定义

混淆矩阵（Confusion Matrix）是用于评估分类模型性能的表格，尤其适用于二分类问题。它展示了模型预测结果与实际标签之间的对应关系，包含四个关键指标：真正例（TP）、假正例（FP）、真负例（TN）、假负例（FN）。

混淆矩阵的结构

以二分类为例，混淆矩阵通常为2×2形式：

	预测为正例	预测为负例
实际为正例	TP	FN
实际为负例	FP	TN

混淆矩阵的衍生指标

基于混淆矩阵可计算以下评估指标：

• 准确率（Accuracy）：模型正确预测的比例。
  [ \text{Accuracy} = \frac{TP + TN}{TP + TN + FP + FN} ]
• 精确率（Precision）：预测为正例中实际为正例的比例。
  [ \text{Precision} = \frac{TP}{TP + FP} ]
• 召回率（Recall）：实际为正例中被正确预测的比例。
  [ \text{Recall} = \frac{TP}{TP + FN} ]
• F1分数：精确率和召回率的调和平均数。
  [ F1 = 2 \times \frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}} ]

混淆矩阵的扩展应用

• 多分类问题：混淆矩阵可扩展为N×N矩阵（N为类别数），对角线元素表示正确分类的样本数。
• 阈值调整：通过调整分类阈值（如逻辑回归中的概率阈值），可优化混淆矩阵中的FP与FN平衡。

Python代码示例

使用sklearn生成混淆矩阵：

from sklearn.metrics import confusion_matrix
import matplotlib.pyplot as plt
import seaborn as sns

y_true = [1, 0, 1, 1, 0, 1]
y_pred = [0, 0, 1, 1, 0, 1]
cm = confusion_matrix(y_true, y_pred)

sns.heatmap(cm, annot=True, fmt='d')
plt.xlabel('Predicted')
plt.ylabel('Actual')
plt.show()

注意事项

• 类别不平衡：若数据中某一类别占比极高，准确率可能失效，需结合精确率或召回率分析。
• 业务场景：不同场景对FP/FN的容忍度不同（如医疗诊断中FN代价更高）。