对于分类模型来说，我们一般会用模型的准确率来进行模型的评价，模型的准确率是用预测正确的样本数除以模型的总数。如果一个模型的准确率达到了95%，那么在我们的印象中，是不是这个模型表现的还挺不错的，那如果达到了99%呢，岂不是更好？

但是，在样本类别不平衡的情况下，仅仅使用模型的准确率并不能体现出模型的优劣。

就拿微博抽奖来举个栗子，IG 夺冠时王思聪发微博称：点赞、转发本条庆祝 IG 夺冠的微博可以参与获奖者每人一万的抽奖。假设10000人参与了该活动，共抽取了10名幸运者。现在问题来了，这次抽奖也成功的吸引了你女票的注意，她也知道你在机器学习领域浸淫多年，于是就命令你去建一个机器学习模型来预测她拿奖的准确率，通过研究中奖用户的特征来以此保证她下次一定抽中奖，不然就跟你分手。你一听慌了，一宿没睡狂撸代码，第二天一大早就拿着自己的劳动成果去邀功请赏，宣称你的模型准确率能到达99%，你女友一听脸色顿时铁青......于是你成了单身狗，可怜的是你居然还不知道到底出了什么问题。

好了，段子讲完了，言归正传。你想想，10000 个人抽10个人，中奖率都 0.1%，那么最朴素的一个模型就是无论是谁，我都宣称他的中奖率为0.1%，就这，这样的模型的准确率都能达到99.9%，那么准确率为99%的模型简直不要太垃圾好吧！你说你不单身谁单身。这同时也说明了，单一的使用准确率来评价分类模型的好坏是不严谨的，那么接下来就进入我们今天的正题。

混淆矩阵

我们拿二分类问题来举个栗子，上图中行代表真实值，列代表预测值，0、1分别代表我们研究的2个种类。预测正确为 True，用 T 表示，预测错误为 False，用 F 表示，预测为0类，我们称其呈阴性，用 N 表示，预测为1类被称为阳性，用 P 表示。在上表中合起来就是 TN、TP、FN、FP这四个值。下表就是上述提到的微博抽奖的混淆矩阵的其中一种情况。

在上表中，实际上没中奖同时也预测正确的人数，即TN值为9978，实际上中奖了也预测正确人数，即TP值为8，没中奖且预测错误的人数，即FP值为12，中了奖但预测错误的人数，即FN值为2.