【机器学习】【深入浅出】混淆矩阵全解析：搞懂 TP、FP、TN、FN 与分类模型评估

1. 混淆矩阵是什么

混淆矩阵（Confusion Matrix）是用于二分类或多分类问题评估模型性能的常见工具。它通过一个矩阵来展示模型在预测时各类别之间的“混淆”情况——即真实标签和预测标签的对应关系。

二分类中的混淆矩阵示例

对于二分类问题（如“是否患病”、“好瓜/坏瓜”等），混淆矩阵通常是一个 的表格：

• True Negative (TN)：真实为负类，模型也预测为负类

• False Positive (FP)：真实为负类，但模型错误地预测为正类（“假正例”）

• False Negative (FN)：真实为正类，但模型错误地预测为负类（“假负例”）

• True Positive (TP)：真实为正类，模型预测也为正类

如果是多分类，混淆矩阵就会变成 的表格（ 为类别数），行表示“真实类别”，列表示“预测类别”，对角线上的数字表示被正确预测的样本数，而非对角线上的数字表示不同类别间的混淆。

2. 怎么计算混淆矩阵

1. 预测结果与真实标签对比

• 在测试集或验证集上，模型会给出每个样本的预测标签；

• 同时，我们也知道该样本的真实标签。

2. 分类对比统计

• 对于每个样本，查看其“真实标签”和“预测标签”组合；

• 在二分类情况下，如果真实为正、预测也为正，则对“TP”计数加 1；真实为负、预测为负，则对“TN”计数加 1，依此类推；

• 对所有测试样本进行统计后，就能得到混淆矩阵四个格子的数值 (TN, FP, FN, TP)。

例子演示

假设我们有一个二分类模型，测试集中有 10 个样本。真实标签和预测标签如下表所示：

让我们统计一下：

• TP（真正例）：真实为正、预测也为正。表中样本 #1, #4, #8 共 3 个。

• TN（真负例）：真实为负、预测也为负。表中样本 #3, #5, #9, #10 共 4 个。

• FP（假正例）：真实为负、预测却为正。表中样本 #7 共 1 个。

• FN（假负例）：真实为正、预测却为负。表中样本 #2, #6 共 2 个。

所以混淆矩阵如下：

3. 混淆矩阵有什么作用

1. 精细化分析模型错误类型

• 混淆矩阵不仅能告诉我们模型总体上对多少样本预测正确，也能告诉我们“模型容易把正例预测成负例”还是“容易把负例预测成正例”。在很多实际任务中，这个区别非常重要（如医疗诊断中，FP 与 FN 的代价不一样）。

2. 衍生多种评价指标

• 通过混淆矩阵的 TP, TN, FP, FN，能计算准确率 (Accuracy)、精确率 (Precision)、召回率 (Recall)、F1-score 等多种指标。

• 这些指标能更全面地评估模型在不同角度（如区分不同错误类型）上的表现。

• 在多分类情形下，通过对混淆矩阵对角线和非对角线元素进行统计，