混合矩阵（Confusion Matrix）是机器学习中常用的评估分类模型性能的工具。它是一个二维矩阵，用于展示分类模型在不同类别上的预测结果与真实标签之间的对应关系。
混合矩阵的行表示模型的预测结果，列表示真实标签。矩阵的每个元素表示模型将某个类别预测为另一个类别的次数。对角线上的元素表示模型正确预测的次数，非对角线上的元素表示模型错误预测的次数。
例如，假设有一个二分类问题，类别A和类别B。混合矩阵的形式如下：
预测为A 预测为B
真实为A TP FN
真实为B FP TN
其中，TP（True Positive）表示模型将类别A正确预测为类别A的次数，FN（False Negative）表示模型将类别A错误预测为类别B的次数，FP（False Positive）表示模型将类别B错误预测为类别A的次数，TN（True Negative）表示模型将类别B正确预测为类别B的次数。
混合矩阵可以帮助我们计算出一系列评估指标，如准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1值（F1-Score）等。准确率表示模型正确预测的样本占总样本数的比例，精确率表示模型在预测为某个类别的样本中，真正属于该类别的比例，召回率表示模型在所有真实属于某个类别的样本中，正确预测为该类别的比例，F1值综合了精确率和召回率，是一个综合评价指标。
混合矩阵是评估分类模型性能的重要工具，通过分析混合矩阵可以得到模型在不同类别上的预测准确性，从而对模型进行优化和改进。
【此文由青象信息老向原创，转载须备注来源】
标签：混合 评估指标 计算 矩阵
