混淆矩陣（Confusion Matrix）

混淆矩陣是一個用來衡量模型效能的工具。這使得資料科學家可以分析並優化模型。因此，在學習機器學習時，我們必須要學會使用混淆矩陣。此外，本文章還會介紹 accuracy、recall、precision、和 F1 score。

混淆矩陣

混淆矩陣由四種情況組成，如下。

各種情況的意義如下：

• True Positive (TP)：實際上是 positive 且預測為 positive。
  • 如，圖中的物件是狗，而模型認定是狗。
• False Negative (FN)：實際上是 positive 但預測為 negative。
  • 如，圖中的物件是狗，而模型認定不是狗。
• False Positive (FP)：實際上是 negative 但預測為 positive。
  • 如，圖中的物件不是狗，而模型認定是狗。
• True Negative (TN）：實際上是 negative 且預測為 negative。
  • 如，圖中的物件不是狗，而模型認定不是狗。

Accuracy

Accuracy 衡量正確預測的情況（TP 和 TN）佔所有的情況的比率。也就是，accuracy 衡量 actual condition 被正確地識別出來的比率。所以，accuracy 回答了一個問題：模型正確預測的機率是多少？

Recall

Recall 衡量 true positive 佔 actual positive 的比率。也就是，recall 衡量 actual positive 被正確地識別出來的比率。所以，recall 回答了一個問題：當是 actual positive 時，模型正確預測的機率是多少？

Precision

Precision 衡量 true positive 佔 predicated positive 的比率。也就是，precision 衡量 predicated positive 中正確的比率。所以，precision 回答了一個問題：當模型預測為 positive 時，正確的機率是多少？

F1-Score

F1-score 是 recall 和 precision 的 harmonic mean，用來衡量模型的精確度。當模型的 recall 很高時，有可能它的 precision 很低，反之亦然。一個好的模型最好能平衡 recall 和 precision，並且盡量讓它們很高。因此，我們需要一個 metric，如同 F1-score，可以同時考慮 recall 和 precision。

結語

除了本文章中介紹的 accuracy、recall、precision、和 F1 score 之外、混淆矩陣還可以產生出很多其他的 metrics。有了這些 metrics，我們才可以衡量模型的效能。

參考

• Confusion matrix, Wikipedia.
• What is A Confusion Matrix in Machine Learning? The Model Evaluation Tool Explained, datacamp.