混淆矩阵

对于二分类问题中，如果希望进行数据分类性能度量，可将样例根据其真实类别与学习器预测类别的组合划分成四种情况：

• 「真正例」（True Positive，TP）：测试集中是 Positive，模型预测结果为 Positive 的数据
• 「假正例」（False Positive，FP）：测试集中是 Negative，模型预测结果为 Positive 的数据
• 「假反例」（False Negative，FN）：测试集中是 Positive，模型预测结果为 Negative 的数据
• 「真反例」（True Negative，TN）：测试集中是 Negative，模型预测结果为 Negative 的数据

注意， 样本总数；其中 表示样本类别的分类正确； 表示样本类别的分类错误。

由此得到一个矩阵，称为「混淆矩阵」（Confusion Matrix），如下

此时，错误率可表示为

精确度可表示为

此外还有概念

• 真正例率
• 假正例率
• 查全率
• 查准率
• F1 分数

若在 个二分类混淆矩阵上综合考察查准率和查全率，记为 ，则还可以定义

• 宏查准率
• 宏查全率
• 宏 F1

若先将各混淆矩阵的对应元素进行平均，得到 的平均值，则又可以定义

• 微查准率
• 微查全率
• 微 F1