前言
混淆矩阵是评判模型结果的一种指标，属于模型评估的一部分，常用于评判分类器模型的优劣。
Confusion Matrix
混淆矩阵常用于验证集中，横坐标True Labels对应真实类别，纵坐标Predicted Labels对应网络的预测类别。
对角线上的数值代表预测正确的样本个数。我们期望在网络预测过程中，尽可能将预测类别分布在对角线上。预测值在对角线上分布的越密集，就说明模型性能越好。并且通过混淆矩阵能看到网络对于哪些类别更容易分类出错，而且可以看到在哪些类别之间更容易出错。通过对混淆矩阵的进一步处理，可以进一步得到精确率(PPV)、召回率(TPR)、特异度(TNR) 三个指标。
注意：在往常的分类网络中只计算了准确率（Accuracy），这里的精确率是不一样的概念。
以二分类模型为例，每一列代表真实值标签，每一行代表预测值的标签。Positive对应正样本，Negative对应负样本。则有以下四种情况：
- 真实值=positive，预测值=positive （True Positive=TP）
- 真实值=positive，预测值=negative （False Negative=FN）统计学中的第二类错误“弃真”
- 真实值=negative，预测值=positive （False Positive=FP）统计学中的第一类错误“取伪”
- 真实值=negative，预测值=negative （True Negative=TN）
期望：TP和TN越大越好；FN和FP越小越好
文章来源：https://www.toymoban.com/news/detail-479211.html
编程实现
对花卉分类数据集使用MobileNetV2网络进行训练，在测试集上得到混淆矩阵结果如下：
文章来源地址https://www.toymoban.com/news/detail-479211.html
参考
- 分类模型评判指标（一） - 混淆矩阵(Confusion Matrix)
- 使用pytorch和tensorflow计算分类模型的混淆矩阵
到了这里，关于混淆矩阵（听课笔记）的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
