概述
混淆矩阵是一个简单的表，它将分类器的预测分为每个类别的正确和错误计数。它是计算几乎所有其他分类指标的原始记分板。
混淆矩阵位于核心人工智能工具包中。当你理解它时，其他人工智能主题就变得更容易评估和比较。
深入探讨
混淆矩阵是将预测标签与实际标签进行比较的网格。对于二元分类，它有四个单元格：真阳性（正确预测为阳性）、真阴性（正确预测为阴性）、假阳性（阴性被错误标记为阳性，“I 型错误”）和假阴性（漏掉的阳性，“II 型错误”）。从这四个数字中，您可以得出准确度 ((TP+TN)/总计)、精确度 (TP/(TP+FP))、召回率或灵敏度 (TP/(TP+FN))、特异性 (TN/(TN+FP)) 和 F1 分数（精确度和召回率的调和平均值）。对于两个以上类别的问题，矩阵变为 N×N，其中对角线保存正确的预测，非对角线单元准确地揭示哪些类别与其他类别混淆。
技术洞察
该矩阵的强大之处在于它保留了单个精度数字隐藏的错误结构。两个具有相同 90% 准确率的模型可能具有截然不同的假阴性率，当错过癌症诊断的代价比误报的代价更大时，这一点就非常重要。按照惯例，行通常代表真实的类别，列代表预测的类别（尽管有些库会翻转这一点），因此在计算精度与单元格的召回率之前，请务必检查轴标签。
掌握混淆矩阵
混淆矩阵是一个简单的表，它将分类器的预测分为每个类别的正确和错误计数。它是计算几乎所有其他分类指标的原始记分板。混淆矩阵位于核心人工智能工具包中。当你理解它时，其他人工智能主题就变得更容易评估和比较。为了建立深入的理解，请将混淆矩阵视为一种操作模型，而不是单个功能：定义期望的结果，澄清假设，并将系统可以可靠地执行的操作与仍然需要专家判断的操作分开。
在实践中，使用混淆矩阵的强大团队首先构建强大的概念模型，然后将这些模型映射到实际的生产约束。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
它可以帮助您将清晰的技术声明与营销语言分开。同时，不同的团队可能会以不同的方式使用同一术语，因此请尽早定义范围。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
它可以帮助您将清晰的技术声明与营销语言分开。
它可以帮助您将清晰的技术声明与营销语言分开。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
在花费金钱或时间之前，您可以提出更好的实施问题。
在花费金钱或时间之前，您可以提出更好的实施问题。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
具有共同理解的团队可以做出更好的产品、政策和学习决策。
具有共同理解的团队可以做出更好的产品、政策和学习决策。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
通过观察图像分类器经常将非对角线单元中的哈士奇与狼混淆来诊断图像分类器失败的地方
通过检查假阴性来审核医疗筛查工具——患有模型宣称健康的疾病的患者
比较两个具有相同准确度但错误阻止的真实电子邮件数量不同的电子邮件垃圾邮件过滤器（误报）
评估多类手写数字识别器，发现 4 和 9 最常被误认为彼此
实施模式
混淆矩阵的实践
通过观察图像分类器经常将非对角线单元中的哈士奇与狼混淆来诊断图像分类器的失败之处。
通过观察图像分类器经常将非对角单元格中的哈士奇与狼混淆来诊断图像分类器的失败之处。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
混淆矩阵的实践
通过检查假阴性（患有模型宣称健康的疾病的患者）来审核医疗筛查工具。
通过检查假阴性（模型宣称健康的疾病患者）来审核医疗筛查工具。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
混淆矩阵的实践
比较两个具有相同准确度但错误阻止的真实电子邮件数量（误报）的电子邮件垃圾邮件过滤器。
比较两个具有相同准确度但错误阻止的真实电子邮件数量（误报）的电子邮件垃圾邮件过滤器。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
混淆矩阵的实践
评估多类手写数字识别器，发现 4 和 9 最常被误认为是彼此。
评估多类别手写数字识别器，发现 4 和 9 最常被误认为彼此。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
不同的团队可能会以不同的方式使用同一术语，因此请尽早定义范围。
基准测试可能看起来很强大，但实际性能却参差不齐。
忽视数据质量和评估计划通常会产生脆弱的结果。
实施路线图
从您需要的结果的简单语言定义开始。
从您需要的结果的简单语言定义开始。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在测试之前选择一种成功指标和一种失败条件。
在测试之前选择一种成功指标和一种失败条件。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
使用代表性数据运行小型试点，而不是完善的演示集。
使用代表性数据运行小型试点，而不是完善的演示集。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
记录混淆矩阵在哪些方面有帮助以及在哪些方面更简单的方法更好。
记录混淆矩阵在哪些方面有帮助以及在哪些方面更简单的方法更好。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。