《机器学习：算法视角（原书第2版）》 —2.2.3　混淆矩阵

2.2.3　混淆矩阵

无论使用多少数据来测试已训练的算法，我们仍然需要确定结果是否良好。我们将在这里介绍一个适用于分类问题的方法，称为混淆矩阵（confusion matrix）。对于回归问题，事情更复杂，因为结果是连续的，因此最常用的是将在后面的章节中用来推动训练的平方和误差。在示例中，我们将看到这些方法的使用。

混淆矩阵是一个很好的简单方法：制作一个方阵，其中包含水平和垂直方向上的所有可能的类，并将表格顶部的类列为预测输出，然后沿左侧列为目标。例如，在(i,j)处的矩阵元素告诉我们在目标中有多少输入模式放入类i中，但是通过算法归入到类j中。在主对角线（leading diagonal）（从矩阵的左上角开始向下到右下角的对角线）上的任何东西都是正确的答案。假设我们有三个类：C1，C2，C3。现在我们计算当目标为C1时输出为C1类的次数，然后计算目标为C2时的输出次数，依此类推，直到我们填满表格为止：

这张表告诉我们，对于这三个类，大多数示例都被正确分类，但是C3类的两个示例被错误分类为C1，依此类推。对于少数类，这是查看输出的好方法。如果你只想要一个数字，则可以将主对角线上的元素之和除以矩阵中所有元素的总和，从而得到正确分类的百分比。这被称为精度（accuracy），我们将要看到它不是评估机器学习算法结果的唯一标准。