模型的評估方法-準确率與混淆矩陣

準确率：

準确率有的時候是騙人的，舉一個例子來說，如果有100隻動物，其中90隻貓，10隻狗，我們訓練了一個模型，這個模型将我們的這100隻動物全都預測成了貓，從我們主觀上判斷這個模型肯定是不好的（我的目的是為了區分，他卻給我預測成全部都是一樣的），但是我們從準确率來看，P(貓)=90/100=90%，預測貓的準确率還挺高的，是以我們說有的時候準确率是騙人的，在很多情況下不能說明一個模型的好壞。是以又引入了混淆矩陣。

混淆矩陣：

首先我們來說一下什麼是混淆矩陣，混淆矩陣（confusion matrix），也被稱為錯誤矩陣（error matrix）。矩陣的每一清單達了分類器對樣本的預測類别，矩陣的每一行則表達了樣本所屬的真實類别，之是以叫做:“混淆矩陣”，是因為能夠很容易的看到機器學習有沒有将樣本的類别給混淆了（或者說可以清楚地看到有多少樣本被分類分對了或者是分錯了）。

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0，預測也為0
           

可以這樣了解：True和False分别代表預測值的對錯，Positive代表真實值為1，Negative代表真實值為0

混淆矩陣的形式如下：

公式的計算：

準确度(Accuracy) = (TP+TN) / (TP+TN+FN+TN)

精度(precision, 或者PPV, positive predictive value) = TP / (TP + FP)

召回(recall, 或者敏感度，sensitivity，真陽性率，TPR，True Positive Rate) = TP / (TP + FN)

特異度(specificity，或者真陰性率，TNR，True Negative Rate) = TN / (TN + FP)