分類器評估方法：準確率和混淆矩陣

注：本文是人工智能研究網的學習筆記

準確率

accuracy_score：函數計算分類準確率，返回被正確分類的樣本比例（default）或者是數量（normalize=False）

在多標籤分類問題中，該函數返回子集的準確率，對於一個給定的多標籤樣本，若是預測獲得的標籤集合與該樣本真正的標籤集合嚴格吻合，則subset accuracy =1.0不然是0.0

混淆矩陣

在機器學習中尤爲是統計分類中，混淆矩陣（confusion matrix），也被稱爲錯誤矩陣（error matrix）。

矩陣的每一列表達了分類器對於樣本的類別預測，二矩陣的每一行則表達了版本所屬的真實類別

之因此叫作’混淆矩陣‘，是由於可以很容易的看到機器學習有沒有將樣本的類別給混淆了。

Table of confusion
在預測分析中（predictive analytics）中table of confusion有時也叫（confusion matrix）是一個兩行兩列的表，這個表報告了四個預測相關的事件發生的數量： false positive， False negative, true positve和false negative。這個表能夠讓咱們更加詳細的分析預測系統的性能，熱不是僅僅用一個準確率。

Accuracy是一個不可靠的分類器性能度量標準，由於當數據集中不一樣類的別的樣本數量分佈不平衡的時候，它將會產生誤導人的結果。

好比說，若是數據集中有95個貓和5個狗，分類器會簡單的將其分爲貓，這樣的準確率是95%。

最終的table of confusion是把全部的table of confusion平均組合起來的結果。