人工智能-分类模型-评估指标（一）：混淆矩阵【准确率=所有预测正确的样本/总的样本、精确率=将正类预测为正类/所有预测为正类、召回率=将正类预测为正类/所有真正的正类、F1-Measure】【代码】

机器学习(ML)，自然语言处理(NLP)，信息检索(IR)等领域，评估(Evaluation)是一个必要的工作。

在分类型模型评判的指标中，常见的方法有如下三种：

• 混淆矩阵（也称误差矩阵，Confusion Matrix）
• ROC曲线
• AUC面积

一、混淆矩阵

混淆矩阵是ROC曲线绘制的基础，同时它也是衡量分类型模型准确度中最基本，最直观，计算最简单的方法。

一句话解释版本：混淆矩阵就是分别统计分类模型归错类，归对类的观测值个数，然后把结果放在一个表里展示出来。这个表就是混淆矩阵。

对于二分类的模型，预测结果与实际结果分别可以取0和1。我们用N和P代替0和1，T和F表示预测正确和错误。将他们两两组合，就形成了下图所示的混淆矩阵（注意：组合结果都是针对预测结果而言的）。

由于1和0是数字，阅读性不好，所以我们分别用P和N表示1和0两种结果。变换之后为PP，