1. 寫在前面
為什麼時隔多年又再做一次混淆矩陣的整理，TMD就是每次用的時候要自己回過頭查一遍，老是記不住，為了打好基礎，再次進行梳理。
2. 為什麼會有混淆矩陣
我們簡單的分類衡量模型的好壞，其實正常使用均方誤差就行了，如下：
其次就是錯誤率：
那麼精度就是1-錯誤率喽：
但是，還有更麻煩的需求，什麼需求？我們後面再說！先看混淆矩陣。
- TP：預測結果是正例(Positive)，而且真實情況是正例，那麼模型預測正确，即預測為True，故用True Positive = TP表示。
- FN：預測結果是反例(Negative)，而且真實情況是正例，那麼模型預測錯誤，即預測為False，故用False Negative = FN表示。
- FP：預測結果是正例(Positive)，而且真實情況是反例，那麼模型預測錯誤，即預測為False，故用False Positive = FN表示。
- TN：預測結果是反例(Negative)，而且真實情況是反例，那麼模型預測正确，即預測為True，故用True Negative = TN表示。
綜上：混淆矩陣的含義終于搞清楚了。
3. 那麼衍生出來什麼需求？
借用周志華老師的西瓜書：
模型預測了10個好瓜，但是其中真正的好瓜有多少？
在此用到了查準率：
有20個好瓜，但是模型隻查出了10個好瓜？
在此則用到的被稱為查全率：
4. 再次衍生出F1
什麼是F1，就是P和R的調和平均，即
