1.概述
-
TP：真正，实际为正类且预测为正类的样本数，预测正确。
-
TN：真负，实际为负类且预测为负类的样本数，预测正确。
-
FP：假正，实际为负类但预测为正类的样本数，预测错误，误检。
-
FN：假负，实际为正类但预测为负类的样本数，预测错误，漏检。
2.精确率(Precision)
精确率 :又叫 查准率 ，将正类预测为正类 占 预测为正类的总数 的比例.
3.召回率（Recall）
召回率：又叫 查全率 ，将正类预测为正类 占 实际为正的总数 的比例.
4.混淆矩阵
混淆矩阵提供了N x N 的表格，用来展示一个N元分类器的预测结果。混淆矩阵展现出模型对各个类别的学习情况，如存在模型在A类别学习效果较好，但在B类别上学习效果一般，拉低模型的整体指标。这种情况能通过混淆矩阵去分析判断。
下图所示的4X4的混淆矩阵，每一行表示一个预测值，每一列表示一个真实值。
例如第一列，共有8个实际凹坑，模型将8个凹坑全部预测为凹坑，模型对凹坑的预测全部正确。因此混淆矩阵可以帮助用户理解模型在不同类别上面的表现，从而帮助用户分析并优化模型。
