混淆矩陣是一種評估模式，幫助機器學習工程師更了解模型效能。本文以一個二元類不平衡資料集為例，測試集由60個正類樣本和40個負類樣本組成，用於評估機器學習模型。
二元類別資料集僅有兩個不同類別的數據，可簡單命名為「正面」和「負面」類別。
現在，要完全理解這個二分類問題的混淆矩陣，我們首先需要熟悉以下術語：
True Positive(TP)是指屬於正類的樣本被正確分類。
True Negative(TN)是指屬於負類別的樣本被正確分類。
False Positive(FP)是指屬於陰性類別的樣本被錯誤地分類為屬於陽性類別。
False Negative(FN)是指屬於正類別的樣本被錯誤地歸類為負類別。
我們可以透過訓練模型獲得的混淆矩陣範例如上所示，用於此範例資料集。
將第一列中的數字相加，我們看到正類別中的樣本總數為45 15=60。將第二列的數字相加得到負類中的樣本數，在本例中為40。所有方框中的數字總和給出了評估的樣本總數。此外，正確的分類是矩陣的對角線元素－正類45個，負類32個。
現在，模型將左下角的框歸類為正類樣本，所以它被稱為"FN"，因為模型預測的"陰性"是錯誤的。同理，右上框預計屬於負類，但被模型分類為"正"。因此，它們被稱為“FP”。我們可以使用矩陣中的這四個不同數字來更仔細地評估模型。
以上是用範例示範如何理解二進位類別的混淆矩陣的詳細內容。更多資訊請關注PHP中文網其他相關文章！
