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確度中最基本，最直觀，計算最簡單的方法。混淆矩陣是評判模型結(jié)果的指標，屬于模型評估的一部分。此外，混淆矩陣多用于判斷分類器（Classifier）的優(yōu)劣，適用于分類型的數(shù)據(jù)模型，如分類樹（Classification Tree）、邏輯回歸（Logistic Regression）、線性判別分析（Linear Discriminant Analysis）等方法。

在分類型模型評判的指標中，常見的方法有如下三種：

1、混淆矩陣（也稱誤差矩陣，Confusion Matrix）

2、ROC曲線

3、AUC面積

混淆矩陣的定義

混淆矩陣（Confusion Matrix），它的本質(zhì)遠沒有它的名字聽上去那么拉風(fēng)。矩陣，可以理解為就是一張表格，混淆矩陣其實就是一張表格而已。

以分類模型中最簡單的二分類為例，對于這種問題，我們的模型最終需要判斷樣本的結(jié)果是0還是1，或者說是positive還是negative。

我們通過樣本的采集，能夠直接知道真實情況下，哪些數(shù)據(jù)結(jié)果是positive，哪些結(jié)果是negative。同時，我們通過用樣本數(shù)據(jù)跑出分類型模型的結(jié)果，也可以知道模型認為這些數(shù)據(jù)哪些是positive，哪些是negative。

因此，我們就能得到這樣四個基礎(chǔ)指標，我稱他們是一級指標（最底層的）：

真實值是positive，模型認為是positive的數(shù)量（True Positive=TP）

真實值是positive，模型認為是negative的數(shù)量（False Negative=FN）：這就是統(tǒng)計學(xué)上的第二類錯誤（Type II Error）

真實值是negative，模型認為是positive的數(shù)量（False Positive=FP）：這就是統(tǒng)計學(xué)上的第一類錯誤（Type I Error）

真實值是negative，模型認為是negative的數(shù)量（True Negative=TN）