什么是混淆矩阵，以及它如何用于评估分类模型？

混淆矩阵是一种表格形式，用于比较分类模型的预测结果与实际结果。它明确将预测结果分解为不同类别，揭示错误的类型和数量（例如假阳性、假阴性）。这对于超越简单的准确率，详细了解模型行为至关重要。其主要应用包括评估医疗诊断、欺诈检测、垃圾邮件过滤器，以及任何不同错误类型成本差异显著的分类任务。 其核心结构（针对二分类）包含四个象限：真正例（TP）、真负例（TN）、假正例（FP）- I型错误，以及假负例（FN）- II型错误。直接得出的指标包括准确率、精确率、召回率（灵敏度）、特异度和F1分数。该矩阵提供了模型失败之处的详细洞察：是将负例错误分类为正例的频率过高（高FP），还是遗漏了正例（高FN）？这会影响关键的模型调优决策和操作风险评估。 使用方法：在带标签的测试集上运行预测。将矩阵的行设为实际标签，列设为预测标签。用落入每个类别的样本数量填充每个单元格。计算关键指标：精确率（TP / (TP+FP)）强调减少误报；召回率（TP / (TP+FN)）侧重于检测真正例。F1分数则平衡了这两者。业务价值来自于根据领域需求进行优化：在癌症筛查中最大化召回率（减少漏诊病例）；在低容忍度的垃圾邮件过滤中最大化精确率（减少误拦合法邮件）。