分類模型的評價方法

機器學習中對於分類模型經常使用混淆矩陣來進行效果評價，混淆矩陣中存在多個評價指標，這些評價指標能夠從不一樣角度來評價分類結果的優劣，如下內容經過簡單的理論概述和案例展現來詳細解釋分類模型中混淆矩陣的評價指標及其用途。

一、混淆矩陣的概念
二、衍生評價指標
三、ROC曲線、AUC指標
四、R&Python中混淆矩陣函數

一、混淆矩陣的基本概念

對於分類模型而言（這裏僅以最簡單的二分類爲例，假設只有0和1兩類），最終的判別結果無非就四種狀況：
實際爲0被正確預測爲0，實際爲0被錯誤預測爲1，實際爲1被錯誤誤測爲0，實際爲1被正確預測爲1。

以上四類判別結果展現在混淆矩陣上是一個兩行兩列的交叉矩陣，行分別表明實際的正例和負例，列分別表明預測的正例和負例。

那麼在以上矩陣中：四個象限分別表明四種判別結果：

左上角被稱爲真陽性（True Positive,TP）:樣本實際爲正（這裏的正負僅僅是相對意義上咱們想要研究的類別）例，且模型預測結果爲正例；
右上角被稱爲假陰性（False Negative，FN）:樣本實際爲正例，但模型預測爲負例；
左下角被稱爲假陽性（False Positive，FP）：樣本實際類別爲負例，但模型預測爲正例；
右下角被稱爲真陰性（True Negative，TN）：樣本實際類別爲負例，且模型預測爲負例。