输出逻辑回归模型的混淆矩阵

逻辑回归模型的混淆矩阵是用来评估分类模型性能的一种常用工具。它是一个2x2的矩阵，其中包含了四个重要的指标：真正例（True Positive, TP）、假正例（False Positive, FP）、真反例（True Negative, TN）和假反例（False Negative, FN）。

混淆矩阵的四个指标定义如下：
- 真正例（True Positive, TP）：预测为正例且实际为正例的样本数。
- 假正例（False Positive, FP）：预测为正例但实际为反例的样本数。
- 真反例（True Negative, TN）：预测为反例且实际为反例的样本数。
- 假反例（False Negative, FN）：预测为反例但实际为正例的样本数。

根据这四个指标，可以计算出一些常用的分类性能指标，如准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1值（F1-score）等。

准确率表示分类器正确分类的样本占总样本数的比例，计算公式为：准确率 = (TP + TN) / (TP + FP + TN + FN)。

精确率表示分类器预测为正例中真正为正例的比例，计算公式为：精确率 = TP / (TP + FP)。

召回率表示分类器正确预测为正例的比例，计算公式为：召回率 = TP / (TP + FN)。

F1值是精确率和召回率的调和平均值，综合考虑了两者的性能，计算公式为：F1值 = 2 * (精确率 * 召回率) / (精确率 + 召回率)。

通过混淆矩阵和这些指标，可以对逻辑回归模型的分类性能进行全面的评估和比较。