当我们获得数据时，在数据清理，预处理和争论之后，我们要做的第一步是将其提供给一个出色的模型，当然，还要获得概率输出。 但坚持下去！ 我们如何能够衡量模型的有效性。 更好的效果，更好的性能，这正是我们想要的。 而这正是混乱矩阵引人注目的地方。 混淆矩阵是机器学习分类的性能测量。

• 这个博客旨在回答以下问题：

1，混淆矩阵是什么以及为什么需要它？
2，如何计算2类分类问题的混淆矩阵？
今天，让我们一劳永逸地理解混淆矩阵。

• What is Confusion Matrix and why you need it?

它是机器学习分类问题的性能测量，其中输出可以是两个或更多类。 它是一个包含预测值和实际值的4种不同组合的表。

它对于测量回忆，精度，特异性，准确性以及最重要的AUC-ROC曲线非常有用。

让我们从怀孕类比的角度理解TP，FP，FN，TN。

• True Positive:

Interpretation: You predicted positive and it’s true.

You predicted that a woman is pregnant and she actually is.
（解释：你预测的是积极的，这是真的。

你预测一个女人怀孕了，她确实怀孕了。）

• True Negative:

Interpretation: You predicted negative and it’s true.

You predicted that a man is not pregnant and he actually is not.
（解释：你预测消极，这是真的。

你预测一个男人没有怀孕，他实际上不是。）

• False Positive: (Type 1 Error)

Interpretation: You predicted positive and it’s false.

You predicted that a man is pregnant but he actually is not.

（解释：你预测是积极的，这是假的。

你预测一个男人怀孕但实际上并非如此。）

• False Negative: (Type 2 Error)

Interpretation: You predicted negative and it’s false.

You predicted that a woman is not pregnant but she actually is.

Just Remember, We describe predicted values as Positive and Negative and actual values as True and False.
（解释：你预测为负面而且是假的。

你预测一个女人没有怀孕，但实际上她是。

请记住，我们将预测值描述为正值和负值，将实际值描述为True和False。）

• How to Calculate Confusion Matrix for a 2-class classification problem?

Let’s understand confusion matrix through math
Recall

Out of all the positive classes, how much we predicted correctly. It should be high as possible.

• Precision
  

Out of all the classes, how much we predicted correctly. It should be high as possible.

• F-measure
  

It is difficult to compare two models with low precision and high recall or vice versa. So to make them comparable, we use F-Score. F-score helps to measure Recall and Precision at the same time. It uses Harmonic Mean in place of Arithmetic Mean by punishing the extreme values more.
很难比较两种低精度和高召回率的模型，反之亦然。 因此，为了使它们具有可比性，我们使用F-Score。 F-score有助于同时测量Recall和Precision。 它通过惩罚极值来使用调和均值代替算术平均值。