混淆矩阵怎么看

混淆矩阵是所有分类指标的源头，一张几格表就能算出精确率、召回率等全部指标。本文用一个邮件过滤的具体例子，逐格解释真正例、假正例、真反例、假反例四个格子，说明如何从中读出模型的错误类型，以及多分类时矩阵如何扩展。

一张四格表

混淆矩阵是一张表，行表示真实情况，列表示模型的预测，把每个样本按真实是什么、预测成什么放进对应的格子。二分类时是二乘二的四格表，多分类时扩展成方阵，对角线上的数字代表猜对的数量。

以邮件过滤为例，把“是垃圾”看作正例。模型正确拦下垃圾邮件，叫真正例；把正常邮件误判成垃圾，叫假正例，也就是误报；把垃圾邮件放进收件箱，叫假反例，也就是漏报；正常邮件正常放行，叫真反例。

从格子里读出毛病

四个格子一看，模型的问题就清楚了。假正例多，说明它过于敏感，宁可错杀也不放过，你会经常去垃圾箱里翻找重要邮件；假反例多，说明它过于宽松，收件箱里依然塞满广告。两种错误的用户体验完全不同，修改方向也不同。

所有常见指标都能从这四个数推出来。精确率是真正例除以所有被判为正例的数量，召回率是真正例除以所有真实正例的数量，准确率是对角线上数字之和除以总数。学会看这张表，就不必死记公式。

多分类与归一化

多分类时矩阵变成方阵，行数等于类别数。每一行代表这批真实样本被分到了哪里，哪一列上的数字大，就说明模型容易把它和哪一类搞混。比如猫狗马三分类里，猫被误判成狗的次数最多，提示这两类最接近，可以考虑补充区分性样本。

还有个实用技巧：先按行归一化，能看出每一类样本被漏到哪去了；再按列归一化，能看出模型预测的某一类里混进了哪些别的类。两种视角结合，下一步该补什么数据就很明确了。

本文为 AI 科普内容，仅用于知识普及，不构成任何技术选型、投资或职业决策建议。