混淆矩阵(confusion matrix)与TP/FP/FN/TN
📈 93
What? 什么是混淆矩阵
混淆矩阵是一个表格，填充的是所有样本点的预测结果，他可以是二分类也可以是多分类。
对于二分类的情况，混淆矩阵形状是2x2，表格的含义如下。
| Positive (预测为正) | Negative (预测为负) | |
|---|---|---|
| Positive (真值为正) | TP | FN |
| Negative (真值为负) | FP | TN |
Metrics 一些相关指标
Precision（精确率）和 Recall（召回率）的公式如下：
$$ \text{Precision} = \frac{TP}{TP + FP} $$
$$ \text{Recall} = \frac{TP}{TP + FN} $$
其中，$TP$ 表示真阳，$FP$ 表示假阳，$FN$ 表示假阴。
对于一些安全攸关的场景，往往愿意牺牲Precision来争取减少FN的case，比如疾病筛查时，宁可把更多健康人错认为阳性（假阳性FP增加，Precision降低），也要尽可能少漏诊真正患病的人（FN减少，Recall提高）。
相反，有些场景则更关注Precision，比如垃圾邮件检测，希望判为“垃圾邮件”的邮件真的就是垃圾，避免把正常邮件错杀（FP较少，Precision高），即便偶尔漏掉一点垃圾邮件（FN高一些）也可以接受。