什么是混淆矩阵精度、召回率、准确性、F1 分数、FPR、FNR、TPR、TNR？

在你的数据科学生涯的开始，混淆矩阵会非常混乱，我们会有很多问题，比如什么时候使用精度？什么时候使用召回？在哪些情况下可以使用精度？因此，我将尝试在本博客中回答这些问题。

什么是混淆矩阵？

混淆矩阵是一种将预测结果和实际值以矩阵形式汇总的方法，用来衡量分类问题的性能。

在这里，我们将预测表示为 Positive§ 或 Negative(N)，将真值表示为 True(T) 或 False(F)。

将真实值和预测值一起表示，我们得到真阳性 (TP)、真阴性 (TN)、假阳性 (FP) 和假阴性 (FN)。

那么什么是 TP、TN、FP 和 FN？这里我们将考虑一个怀孕测试的例子，一个真正的孕妇和一个胖男人咨询医生，测试结果如下图所示。

TP(True Positive)：女人怀孕了，预测她怀孕了。这里 P 代表正向预测，T 表明我们的预测实际上是正确的。

FP(False Positive) : 一个胖子被预测怀孕了，其实是假的。这里P代表正预测，F代表我们的预测其实是假的。这也称为I 类错误。

FN(False Negative)：实际怀孕的女性被预测为未怀孕。这里N代表负预测，F代表我们的预测其实是假的。这也称为II 类错误。

T