混淆矩阵

混淆矩阵是通常用于评估分类模型的最重要的度量。 混淆矩阵有些指标很容易弄混淆，最好结合实际例子去理解才能印象深刻。 混淆矩阵的骨架如下所示：

如您所见，混淆矩阵通过以表格格式测量实际值和预测值来避免“混淆”。 在上表中，Positive class = 1和Negative class = 0.以下是我们可以从混淆矩阵中得出的度量：

准确性 - 它决定了模型的整体预测准确性。 它计算为Accuracy = (True Positives + True Negatives)/(True Positives + True Negatives + False Positives + False Negatives)

真阳性率（TPR） - 它表示正确预测了所有正值中有多少个正值。 计算真阳性率的公式是(TP/TP + FN) 。 此外， TPR = 1 - False Negative Rate 。 它也被称为灵敏度或召回 。

误报率（FPR） - 它表示错误预测了所有负值中有多少负值。 计算假阳性率的公式是(FP/FP + TN) 。 此外， FPR = 1 - True Negative Rate 。

真实负率（TNR） - 它表示已正确预测了所有负值中有多少负值。 计算真实负利率的公式是（ TN/TN + FP) 。 它也被称为特异性 。

假阴性率（FNR） - 它表示在所有正值中有多少正值被错误预测。 计算假阴性率的公式是(FN/FN + TP) 。

精度：它表示在所有预测的正值中有多少值实际为正值。 它的表述为： (TP / TP + FP) 。 F分数： F分数是精度和召回的调和平均值。 它介于0和1之间。值越高，模型越好。 它被表示为2((precision*recall) / (precision+recall)) 。