混淆矩阵是一个经常用来描述分类模型性能的表格。您提供的数字显示了二进制情况，但它也用于 2 个以上的类（只有更多的行/列）。

行指的是输入的实际 Ground-Truth 标签/类，列指的是模型提供的预测。

不同案例的名称取自预测者的观点。

True/False 意味着预测与基本事实相同，Negative/Positive 指的是预测是什么。

混淆矩阵中的 4 种不同情况：

True Positive (TP)：模型的预测是“Positive”，它与实际的 ground-truth 类相同，即“Positive”，所以这是一个 True Positive 案例。

False Negative (FN)：模型的预测是“Negative”并且是错误的，因为实际的 ground-truth 类是“Positive”，所以这是一个 False Negative 案例。

假阳性（FP）：模型的预测是“阳性”的，这是错误的，因为实际的真实类别是“阴性”，所以这是一个假阳性案例。

True Negative (TN)：模型的预测是“Negative”，与实际的 ground-truth 类相同，即“Negative”，所以这是一个 True Negative 案例。

似乎您了解混淆矩阵的含义，但不了解用于命名其条目的逻辑！

这是我的 5 美分：

这些名字都是这样的：

<True/False> <Positive/Negative>
     |                |
   Part1            Part2

1. 第一部分解释预测是否正确。如果您只有True Positive和True Negative ，那么您的模型就是完美的。如果你只有False Positive和False Negative你的模型真的很糟糕。

2. 第二部分解释模型的预测。

所以：

• False Negative (FN)：预测为 NEGATIVE (0) 但第一部分为 False，这意味着预测是错误的（应该是 POSITIVE (1)）。

• 假阳性（FP）：预测是正的（1）但第一部分是假的，这意味着预测是错误的（应该是负的（0））。

• True Negative (TN)：预测为 NEGATIVE，第一部分为 True。预测是正确的（模型预测为 NEGATIVE，对于 NEGATIVE 样本）

请找到以下内容：

• 假阴性（FN）：预测为阴性，实际结果为阳性，结果为“假阴性”——为什么？不应该是“假阳性”吗？
  答案：预测模型应该给出“肯定”的答案，但它预测为“否定”，这意味着错误地预测为否定，也就是 False Negative。

• 假阳性（FP）：预测是积极的，实际结果是消极的，结果是“假阳性”——为什么？不应该是“真阴性”吗？
  答案：预测模型应该给出“否定”的答案，但它预测为“肯定”，这意味着被错误地预测为“阳性”，也就是“假阳性”。

• 真阴性（TN）：预测为阴性，实际结果为阴性，结果为“真阴性”——为什么？不应该是“假阴性”吗？
  答案：预测的输出应该是负的，模型也预测为负的。

为了更好地理解，您可以运行一个简单的二元分类模型并分析混淆矩阵。

谢谢你，
KK

True 表示正确，False 表示错误。

True Positive (TP)：模型预测的 P，这是正确的。

假阳性 (FP)：模型预测的 P，这是不正确的，必须预测 N。

True Negative (TN)：模型预测的 N，这是正确的。

False Negative (FN)：模型预测的 N，这是不正确的，一定已经预测了 P。