# 混淆矩阵

> 在机器学习领域和统计分类问题中，混淆矩阵（英语：confusion matrix）是可视化工具，特别用于监督学习，在无监督学习一般叫做匹配矩阵。矩阵的每一列代表一个类的实例预测，而每一行表示一个实际的类的实例。之所以如此命名，是因为通过这个矩阵可以方便地看出机器是否将两个不同的类混淆了（比如说把一个类错当成了另一个）。

- ID: m04175
- 分类: decide
- 领域: 决策科学

## 定义

一个2x2的表格，展示了真阳性(TP)、假阳性(FP)、真阴性(TN)、假阴性(FN)的分布。它强迫我们不能只看单一的“准确率”，而要看错误的“类型”。脚手架作用：决策代价分析。在做决策时，画出混淆矩阵。问自己：我更能容忍“错杀好人”（假阳性）还是“放过坏人”（假阴性）？不同的场景（如法庭vs体检）对这两种错误的容忍度截然不同。

## 机制

分类模型评估表：行/列为真实/预测类别，单元格给出TP、FP、FN、TN；由它可算准确率、精确率、召回率、F1与AUC等，揭示错误类型。

## 练习

对验证集统计各类对错计数；按任务关注召回或精确；对不平衡数据看各类而非总体准确率；据FP/FN定代价取向。

## 脚手架用法

决策代价分析。在做决策时，画出混淆矩阵。问自己：我更能容忍“错杀好人”（假阳性）还是“放过坏人”（假阴性）？不同的场景（如法庭vs体检）对这两种错误的容忍度截然不同。

[阅读网页](https://thinkingmodels.site/entries/detail/m04175)