深度學(xué)習(xí)中，混淆矩陣是ROC曲線繪制的基礎(chǔ)，同時它也是衡量分類型模型準(zhǔn)確度中最基本，最直觀，計算最簡單的方法。它可以直觀地了解分類模型在每一類樣本里面表現(xiàn)，常作為模型評估的一部分。它可以非常容易的表明多個類別是否有混淆（也就是一個class被預(yù)測成另一個class）。

首先要明確幾個概念：

T或者F：該樣本是否被正確分類。

P或者N：該樣本原本是正樣本還是負(fù)樣本。

真正例(True Positive，TP)：預(yù)測正確；模型預(yù)測也是正例，樣本的真實(shí)類別是正例，
真負(fù)例(True Negative，TN)：預(yù)測正確：模型預(yù)測為負(fù)例，樣本的真實(shí)類別是負(fù)例，
偽正例(False Positive，F(xiàn)P)：預(yù)測錯誤：模型預(yù)測為正例，樣本的真實(shí)類別是負(fù)例，
偽負(fù)例(False Negative，F(xiàn)N)：預(yù)測錯誤；模型預(yù)測為負(fù)例，樣本的真實(shí)類別是正例，

將這四個指標(biāo)一起呈現(xiàn)在表格中，就能得到如下這樣一個矩陣，我們稱它為混淆矩陣（Confusion Matrix），這里從其他文章偷了張圖：

在混線矩陣中，以對角線為分界線。以上圖為例子：對角線的位置表示預(yù)測正確，對角線以外的位置表示把樣本錯誤的預(yù)測為其他樣本。

2、分類模型評價指標(biāo)

從混淆矩陣可以直觀地看出各個參數(shù)的數(shù)值大小。查準(zhǔn)率是在模型預(yù)測為正的所有樣本中，模型預(yù)測對的比重，即：“分類器認(rèn)為是正類并且確實(shí)是正類的部分占所有分類器認(rèn)為是正類的比例”。計算公式如下式所示：

F1-Score指標(biāo)綜合了Precision與Recall的產(chǎn)出的結(jié)果。F1-Score的取值范圍從0到1的，1代表模型的輸出最好，0代表模型的輸出結(jié)果最差，計算公式如下式所示：

（4）

除了F1分?jǐn)?shù)之外，F(xiàn)2分?jǐn)?shù)和F0.5分?jǐn)?shù)在統(tǒng)計學(xué)中也得到大量的應(yīng)用。其中，F(xiàn)2分?jǐn)?shù)中，召回率的權(quán)重高于精準(zhǔn)率，而F0.5分?jǐn)?shù)中，精準(zhǔn)率的權(quán)重高于召回率。

3、兩種多分類混淆矩陣

多分類混淆矩陣根據(jù)不同需求可以繪制不同的矩陣：

1、直接打印出每一個類別的分類準(zhǔn)確率。

2、打印具體的分類結(jié)果的數(shù)值，方便數(shù)據(jù)的分析和各類指標(biāo)的計算

在介紹具體代碼之前，首先來介紹confusion_matrix()函數(shù)，它是Python中的sklearn庫提供的輸出矩陣數(shù)據(jù)的方法：

def confusion_matrix(y_true, y_pred, labels=None, sample_weight=None):

參數(shù)意義：

y_true: 是樣本真實(shí)分類結(jié)果，y_pred: 是樣本預(yù)測分類結(jié)果
y_pred：預(yù)測結(jié)果
labels：是所給出的類別，通過這個可對類別進(jìn)行選擇
sample_weight : 樣本權(quán)重

3.1直接打印出每一個類別的分類準(zhǔn)確率。

# 顯示混淆矩陣
def plot_confuse(model, x_val, y_val):
   # 獲得預(yù)測結(jié)果
    predictions = predict(model,x_val)
    #獲得真實(shí)標(biāo)簽
    truelabel = y_val.argmax(axis=-1)   # 將one-hot轉(zhuǎn)化為label
    cm = confusion_matrix(y_true=truelabel, y_pred=predictions)
    plt.figure()
    # 指定分類類別
    classes = range(np.max(truelabel)+1)
    title='Confusion matrix'
   #混淆矩陣顏色風(fēng)格
    cmap=plt.cm.jet
    cm = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis]
    plt.imshow(cm, interpolation='nearest', cmap=cmap)
    plt.title(title)
    plt.colorbar()
    tick_marks = np.arange(len(classes))
    plt.xticks(tick_marks, classes, rotation=45)
    plt.yticks(tick_marks, classes)
    thresh = cm.max() / 2.
   # 按照行和列填寫百分比數(shù)據(jù)
    for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])):
        plt.text(j, i, '{:.2f}'.format(cm[i, j]), horizontalalignment="center",
                 color="white" if cm[i, j] > thresh else "black")
    plt.tight_layout()
    plt.ylabel('True label')
    plt.xlabel('Predicted label')
    plt.show()

3.2打印具體的分類結(jié)果的數(shù)值

# 顯示混淆矩陣
def plot_confuse_data(model, x_val, y_val):
    classes = range(0,6)
    predictions = predict(model,x_val)
    truelabel = y_val.argmax(axis=-1)   # 將one-hot轉(zhuǎn)化為label
    confusion = confusion_matrix(y_true=truelabel, y_pred=predictions)
    #顏色風(fēng)格為綠。。。。
    plt.imshow(confusion, cmap=plt.cm.Greens)
# ticks 坐標(biāo)軸的坐標(biāo)點(diǎn)
# label 坐標(biāo)軸標(biāo)簽說明
    indices = range(len(confusion))
# 第一個是迭代對象，表示坐標(biāo)的顯示順序，第二個參數(shù)是坐標(biāo)軸顯示列表
    plt.xticks(indices, classes)
    plt.yticks(indices, classes)
    plt.colorbar()
    plt.xlabel('Predicted label')
    plt.ylabel('True label')
    plt.title('Confusion matrix')

# plt.rcParams兩行是用于解決標(biāo)簽不能顯示漢字的問題
    plt.rcParams['font.sans-serif']=['SimHei']
    plt.rcParams['axes.unicode_minus'] = False

# 顯示數(shù)據(jù)
    for first_index in range(len(confusion)):    #第幾行
        for second_index in range(len(confusion[first_index])):    #第幾列
            plt.text(first_index, second_index, confusion[first_index][second_index])
# 顯示
    plt.show()