https://blog.csdn.net/vesper305/article/details/44927047
Confusion Matrix
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可視化效果，通常是監督學習（非監督學習，通常用匹配矩陣：matching matrix）。其每一列代表預測值，每一行代表的是實際的類別。這個名字來源於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被預測成另一個class）。
Example
假設有一個用來對貓（cats）、狗（dogs）、兔子（rabbits）進行分類的系統，混淆矩陣就是為了進一步分析性能而對該算法測試結果做出的總結。假設總共有 27 只動物：8只貓， 6條狗， 13只兔子。結果的混淆矩陣如下圖：
在這個混淆矩陣中，實際有 8只貓，但是系統將其中3只預測成了狗；對於 6條狗，其中有 1條被預測成了兔子，2條被預測成了貓。從混淆矩陣中我們可以看出系統對於區分貓和狗存在一些問題，但是區分兔子和其他動物的效果還是不錯的。所有正確的預測結果都在對角線上，所以從混淆矩陣中可以很方便直觀的看出哪里有錯誤，因為他們呈現在對角線外面。
下圖的來源：【小萌五分鍾】機器學習 | 混淆矩陣 Confusion Matrix_嗶哩嗶哩_bilibili
看右下角的矩陣：主對角線上薄荷綠的兩塊說明是預測對了，所以是以True開頭的，非主對角線上橙色的兩塊說明是預測錯誤的，所以是以False開頭的。另外，第一行都是預測成“是(漢堡)”了，所以第一行的第二個單詞都是Positive,第二行都是預測成“不是(漢堡)”了，所以第一行的第二個單詞都是Negative.
上圖是對於二分類而言的混淆矩陣，那對於多分類呢？
3個類別的話就是3*3的矩陣。
如果是N分類呢？
我們總是希薄荷綠位置的數值盡可能的大，其余的地方的數值盡可能的小，這樣才說明預測的正確性高。才能說明模型的效果是更好的。