机器学习中，常使用混淆矩阵来对分类模型的效果进行衡量，本文主要讲述一下标准的二分类混淆矩阵与多分类混淆矩阵、准确率与精确率的区别。

混淆矩阵

模型整体准确率 = （TP + TN）/ (TP + FN + FP + TN) （1）

但需注意，准确率并不足以反映分类模型的实际效果，比如：预测一个人是否患病，假设实际中98%的人是健康人，2%的人是病人。若正例为病人，预测混淆矩阵如下：

则按照公式（1），整体准确率 = 98%。
但是显而易见，该模型对一个人是否患病，并没有任何预测能力。

为了解决此问题，需对单个类别进行评估，指标如下：
精确率 = TP / （TP + FP）
召回率 = TP / （TP + FN）
还是上表，对病人的预测，精确率 和 召回率 均为0，因此，使用单个类别的 精确率 和 召回率 可以反映一个类别的真实效果。

多类别混淆矩阵

注意：区分 准确率 和 精确率