混淆矩陣是除了ROC曲線和AUC之外的另一個判斷分類好壞程度的方法。

以下有幾個概念需要先說明：

TP(True Positive): 真實為0，預測也為0

FN(False Negative): 真實為0，預測為1

FP(False Positive): 真實為1，預測為0

TN(True Negative): 真實為1，預測也為1

:分類模型總體判斷的準確率(包括了所有class的總體準確率)

: 預測為0的準確率

: 真實為0的準確率

: 真實為1的準確率

: 預測為1的準確率

: 對於某個分類，綜合了Precision和Recall的一個判斷指標，F1-Score的值是從0到1的，1是最好，0是最差

: 另外一個綜合Precision和Recall的標準，F1-Score的變形

舉個經典的二分類例子：

，            ，             

如果是多分類的呢？舉一個三分類的例子：

，     ,     

因此我們知道，計算Specificity，Recall，Precision等只是計算某一分類的特性，而Accuracy和F1-Score這些是判斷分類模型總體的標準。我們可以根據實際需要，得出不同的效果。