混淆矩陣

混淆矩陣（Confusion Matrix）是評估模型結果的指標，屬於模型評估的一部分，混淆矩陣如下圖所示。

• TP(True Positive): 真實為0，預測也為0

• FN(False Negative): 真實為0，預測為1

• FP(False Positive): 真實為1，預測為0

• TN(True Negative): 真實為0，預測也為0

1.准確率 Accuracy

准確率：所有預測正確的樣本占所有樣本的比例。

\begin{align}\notag accuracy = \frac{TP + TN}{TP + FN + FP + TN} \end{align}

## 2.精確率 Precision 精確率：預測結果為正例的樣本中真實為正例的比例。

\begin{align}\notag precision = \frac{TP}{TP + FP} \end{align}

## 3.靈敏度 Sensitivity 靈敏度：即召回率（Recall）,真實為正例的樣本中預測結果為正例的比例。

\begin{align}\notag accuracy = \frac{TP}{TP + FN} \end{align}

## 4.特異度 Specificity 特異度：真實為假例的樣本中預測結果為反例的結果。

\begin{align}\notag accuracy = \frac{TN}{FP + TN} \end{align}

## 5.F1-score F1-score同時兼顧了分類模型的准確率和召回率，可以看作是模型准確率和召回率的一種加權平均。 F1-score的最大值是1，最小值是0。1代表模型輸出結果好，0代表模型輸出結果查。

\begin{align}\notag F1 = \frac{2\cdot precision\cdot recall}{precision + recall} \end{align}

sklearn分類模型評估API

	sklearn.metrics.classification_report(y_true, y_pred, labels=None, target_names=None)

y_true：真實目標值
y_pred：預測目標值
labels：包含在報告中的可選標簽索引列表
target_names：與標簽匹配的可選顯示名稱（相同順序）
return：每個分類的精確度，召回率，F1-score的文本摘要

---

你總是這樣輕言放棄的話，無論多久都只會原地踏步。 ——《哆啦A夢》