目標： 快速理解什么是混淆矩陣， 混淆矩陣是用來干嘛的。
首先理解什么是confusion matrix
看定義，在機器學習領域，混淆矩陣（confusion matrix），又稱為可能性表格或是錯誤矩陣。它是一種特定的矩陣用來呈現算法性能的效果，通常是監督學習（非監督學習，通常用匹配矩陣：matching matrix）。
大白話來講，就是對機器學習算法的運行結果進行評價，效果如何，精確度怎么樣而已。
舉個例子，在什么場景下需要這個confusion matrix
假設有一個用來對貓（cats）、狗（dogs）、兔子（rabbits）進行機器學習分類，預測結果（Predicted class）如下圖所示。
而實際上共有 27 只動物：8只貓， 6條狗， 13只兔子，如（actual class）所示。
從上表中能看出機器學習預測后的結果了吧，
Cat的正確率： 5/8, 3只貓誤判成狗了。
Dog的正確率： 3/6, 2只當成貓，一只誤判成兔子。
Rabbit 的正確率：11/13, 准確率還不錯，只有2只誤判成狗
場景弄明白了，接下來，confusion matrix的介紹真正開始了。
confusion matrix 的組成
混淆矩陣是由false positives，falsenegatives，true positives和true negatives組成的兩行兩列的表格。它允許我們做出更多的分析，而不僅僅是局限在正確率。准確率對於分類器的性能分析來說，並不是一個很好地衡量指標，因為如果數據集不平衡（每一類的數據樣本數量相差太大），很可能會出現誤導性的結果。
例如，如果在一個數據集中有95只貓，但是只有5條狗，那么某些分類器很可能偏向於將所有的樣本預測成貓。整體准確率為95%，但是實際上該分類器對貓的識別率是100%，而對狗的識別率是0%。
對於上面的混淆矩陣，其對應的對貓這個類別的混淆表格如下：
大白話有來了，其實這個矩陣就是告訴你一下信息：
總共8只貓給你預測：
5只貓都對了（true positive） 2只狗錯當成了貓
3只貓錯當成狗了（false negative） 剩下的（27-5-2-3）=17 都對啦。
如何使用confusion matrix
直接利用Accord 提供的類進行統計。
using Accord.Statistics.Analysis // 機器學習的預測結構 bool[] expected = Classes.Decide(table.GetColumn(2)); // 實際結果 bool[] output = svm.Decide(inputs); // Use confusion matrix to compute some performance metrics dgvPerformance.DataSource = new [] { new ConfusionMatrix(output, expected) };
reference：https://en.wikipedia.org/wiki/Confusion_matrix