混淆矩阵 (Confusion Matrix)  会员专享

🗺️ 这是什么？

在分类任务中，混淆矩阵就是一份详细的“错题本”。

它不仅告诉你模型考了多少分，还清清楚楚地列出：哪些题做对了，哪些题做错了，错成了什么样。

🧐 怎么看？

矩阵的行和列分别代表：

• Actual（实际）：数据真实的类别（垂直方向，如 0, 1, 2）。
• Predicted（预测）：模型给出的预测类别（水平方向，如 0, 1, 2）。

1. 找对角线（做对的题）

• 从左上到右下的对角线，代表模型预测正确的数量。
• 比如图中，实际是 0 且预测也是 0 的有 1293 个；实际是 1 且预测也是 1 的有 1404 个。这些格子颜色通常比较深（根 据热力图颜色），数字越大越好。

2. 看非对角线（做错的题）

• 对角线以外的格子，就是模型犯错的地方。
• 比如图中，实际是 2（可能是不合格品），但模型预测成了 0 的有 3 个；实际是 1，模型却预测成了 2 的有 73 个。
• 你可以通过这些格子发现模型的“软肋”：它是不是特别容易把某一类误判成另一类？

3. 看顶部指标 (Acc / AUC / F1)

图表顶部贴心地给出了三个核心指标：

• Acc (Accuracy, 准确率)：整体答对的比例（0.955）。
• AUC：整体的区分能力（0.995）。
• F1：综合考虑了精确率和召回率的“端水大师”得分（0.956）。

🛠️ 什么时候用？

• 当你发现模型的准确率（Accuracy）很高，但依然觉得“哪里不对劲”时。
• 特别是在业务代价不同时：比如把“不合格品”误判为“合格品”的代价，远大于把“合格品”误判为“不合格品”。通过混淆矩阵，你 可以清晰地看到这种“致命错误”到底发生了多少次。