混淆矩阵是一种全面的评估模式，可以让机器学习工程师更深入地了解模型的性能。本文使用一个二元类不平衡数据集来举例，由60个正类样本和40个负类样本组成的测试集，我们用它来评估机器学习模型。
二元类数据集仅包含两个不同类别的数据。为了简单起见，可以将这两个类别命名为"正面"和"负面"。
现在，要完全理解这个二分类问题的混淆矩阵，我们首先需要熟悉以下术语：
True Positive(TP)是指属于正类的样本被正确分类。
True Negative(TN)是指属于负类的样本被正确分类。
False Positive(FP)是指属于阴性类的样本被错误地分类为属于阳性类。
False Negative(FN)是指属于正类的样本被错误地归类为负类。
我们可以通过训练模型获得的混淆矩阵示例如上所示，用于此示例数据集。
将第一列中的数字相加，我们看到正类中的样本总数为45+15=60。将第二列中的数字相加得到负类中的样本数，在本例中为40。所有方框中的数字总和给出了评估的样本总数。此外，正确的分类是矩阵的对角线元素——正类45个，负类32个。
现在，模型将左下角的框归类为正类样本，所以它被称为"FN"，因为模型预测的"阴性"是错误的。同理，右上框预计属于负类，但被模型分类为"正"。因此，它们被称为“FP”。我们可以使用矩阵中的这四个不同数字更仔细地评估模型。
