在机器学习领域中，用于评价一个模型的性能有多种指标，其中几项就是FP、FN、TP、TN、精确率(Precision)、召回率(Recall)、准确率(Accuracy)。这里我们就对这块内容做一个集中的理解。分为一和二，5分钟。
一、FP、FN、TP、TN
你这蠢货，是不是又把酸葡萄和葡萄酸弄“混淆“啦！！！
上面日常情况中的混淆就是：是否把某两件东西或者多件东西给弄混了，迷糊了。
在机器学习中, 混淆矩阵是一个误差矩阵, 常用来可视化地评估监督学习算法的性能.。混淆矩阵大小为 (n_classes, n_classes) 的方阵, 其中 n_classes 表示类的数量。
其中，这个矩阵的一行表示预测类中的实例（可以理解为模型预测输出，predict），另一列表示对该预测结果与标签（Ground Truth）进行判定模型的预测结果是否正确，正确为True，反之为False。
在
机器学习
中ground truth表示有监督学习的训练集的分类准确性，用于证明或者推翻某个假设。有监督的机器学习会对训练数据打标记，试想一下如果训练标记错误，那么将会对测试数据的预测产生影响，因此这里将那些正确打标记的数据成为ground truth。
此时，就引入FP、FN、TP、TN与精确率(Precision)，召回率(Recall)，准确率(Accuracy)。
以猫狗二分类为例，假定cat为正例-Positive，dog为负例-Negative；预测正确为True，反之为False。我们就可以得到下面这样一个表示FP、FN、TP、TN的表：
此时如下代码所示，其中scikit-learn 混淆矩阵函数 sklearn.metrics.confusion_matrix API 接口，可以用于绘制混淆矩阵
-
skearn.
metrics.
confusion_matrix(
-
y_true, # array,
Gound
true (correct) target values
-
y_pred, # array,
Estimated targets
as returned by a classifier
-
labels=
None, # array,
List
of labels to index the matrix.
-
sample_weight=
None # array-like
of shape = [n_samples],
Optional sample weights
-
)
完整示例代码如下：
-
import seaborn
as sns
-
from sklearn.
metrics
import confusion_matrix
-
import matplotlib.
pyplot
as plt
-
sns.
set()
-
-
f, (ax1,ax2) = plt.
subplots(figsize = (
10,
8),nrows=
2)
-
y_true = [
"dog",
"dog",
"dog",
"cat",
"cat",
"cat",
"cat"]
-
y_pred = [
"cat",
"cat",
"dog",
"cat",
"cat",
"cat",
"cat"]
-
C2=
confusion_matrix(y_true, y_pred, labels=[
"dog",
"cat"])
-
print(
C2)
-
print(
C2.
ravel())
-
sns.
heatmap(
C2,annot=
True)
-
-
ax2.
set_title(
'sns_heatmap_confusion_matrix')
-
ax2.
set_xlabel(
'Pred')
-
ax2.
set_ylabel(
'True')
-
f.
savefig(
'sns_heatmap_confusion_matrix.jpg', bbox_inches=
'tight')
保存的图像如下所示：
这个时候我们还是不知道skearn.metrics.confusion_matrix做了些什么，这个时候print(C2)，打印看下C2究竟里面包含着什么。最终的打印结果如下所示：
-
[[
1
2]
-
[
0
4]]
-
[
1
2
0
4]
解释下上面这几个数字的意思：
-
C2=
confusion_matrix(y_true, y_pred, labels=[
"dog",
"cat"])中的labels的顺序就分布是
0、
1，negative和positive
-
-
注：labels=[]可加可不加，不加情况下会自动识别，自己定义
-
cat为1-positive，其中真实值中cat有4个，4个被预测为cat，预测正确T，0个被预测为dog，预测错误F；
-
dog为0-negative，其中真实值中dog有3个，1个被预测为dog，预测正确T，2个被预测为cat，预测错误F。
所以：TN=1、 FP=2 、FN=0、TP=4。
-
TN=1：预测为negative狗中1个被预测正确了
-
FP=2 ：预测为positive猫中2个被预测错误了
-
FN=0：预测为negative狗中0个被预测错误了
-
TP=4：预测为positive猫中4个被预测正确了
这时候再把上面猫狗预测结果拿来看看，6个被预测为cat，但是只有4个的true是cat，此时就和右侧的红圈对应上了。
-
y_pred = [
"cat",
"cat",
"dog",
"cat",
"cat",
"cat",
"cat"]
-
-
y_true = [
"dog",
"dog",
"dog",
"cat",
"cat",
"cat",
"cat"]
二、精确率(Precision)、召回率(Recall)、准确率(Accuracy)
有了上面的这些数值，就可以进行如下的计算工作了
准确率(Accuracy)：
这三个指标里最直观的就是准确率: 模型判断正确的数据(TP+TN)占总数据的比例
"Accuracy: "+str(round((tp+tn)/(tp+fp+fn+tn), 3))
召回率(Recall)：
针对数据集中的所有正例(TP+FN)而言,模型正确判断出的正例(TP)占数据集中所有正例的比例.FN表示被模型误认为是负例但实际是正例的数据.召回率也叫查全率,以物体检测为例,我们往往把图片中的物体作为正例,此时召回率高代表着模型可以找出图片中更多的物体!
"Recall: "+str(round((tp)/(tp+fn), 3))
精确率(Precision)：
针对模型判断出的所有正例(TP+FP)而言,其中真正例(TP)占的比例.精确率也叫查准率,还是以物体检测为例,精确率高表示模型检测出的物体中大部分确实是物体,只有少量不是物体的对象被当成物体
"Precision: "+str(round((tp)/(tp+fp), 3))
还有一些别的度量方式，如下，自行学习，不做扩展
-
(
"Sensitivity: "+
str(
round(tp/(tp+fn+
0.01),
3)))
-
(
"Specificity: "+
str(
round(
1-(fp/(fp+tn+
0.01)),
3)))
-
(
"False positive rate: "+
str(
round(fp/(fp+tn+
0.01),
3)))
-
(
"Positive predictive value: "+
str(
round(tp/(tp+fp+
0.01),
3)))
-
(
"Negative predictive value: "+
str(
round(tn/(fn+tn+
0.01),
3)))
推荐阅读：
（点击下方标题即可跳转）