混淆矩阵 误检 漏检

混淆矩阵是用于评估分类模型性能的一种表格，它将预测结果与真实标签进行比较。在二分类问题中，混淆矩阵包括四个类别：真正例（True Positive, TP），真负例（True Negative, TN），假正例（False Positive, FP）和假负例（False Negative, FN）。

误检（False Positive）指的是模型错误地将负例样本（实际上是负例）错误地分类为正例。这意味着模型将某个结果预测为“是”，但实际上它是“否”。

漏检（False Negative）指的是模型错误地将正例样本（实际上是正例）错误地分类为负例。这意味着模型将某个结果预测为“否”，但实际上它是“是”。

混淆矩阵的不同元素可以帮助我们计算模型的准确率、召回率、精确率和 F1 分数等性能指标，以评估分类模型的效果。