https://blog.csdn.net/vesper305/article/details/44927047
Confusion Matrix
在机器学习领域，混淆矩阵（confusion matrix），又称为可能性表格或是错误矩阵。它是一种特定的矩阵用来呈现算法性能的可视化效果，通常是监督学习（非监督学习，通常用匹配矩阵：matching matrix）。其每一列代表预测值，每一行代表的是实际的类别。这个名字来源于它可以非常容易的表明多个类别是否有混淆（也就是一个class被预测成另一个class）。
Example
假设有一个用来对猫（cats）、狗（dogs）、兔子（rabbits）进行分类的系统，混淆矩阵就是为了进一步分析性能而对该算法测试结果做出的总结。假设总共有 27 只动物：8只猫， 6条狗， 13只兔子。结果的混淆矩阵如下图：
在这个混淆矩阵中，实际有 8只猫，但是系统将其中3只预测成了狗；对于 6条狗，其中有 1条被预测成了兔子，2条被预测成了猫。从混淆矩阵中我们可以看出系统对于区分猫和狗存在一些问题，但是区分兔子和其他动物的效果还是不错的。所有正确的预测结果都在对角线上，所以从混淆矩阵中可以很方便直观的看出哪里有错误，因为他们呈现在对角线外面。
下图的来源：【小萌五分钟】机器学习 | 混淆矩阵 Confusion Matrix_哔哩哔哩_bilibili
看右下角的矩阵：主对角线上薄荷绿的两块说明是预测对了，所以是以True开头的，非主对角线上橙色的两块说明是预测错误的，所以是以False开头的。另外，第一行都是预测成“是(汉堡)”了，所以第一行的第二个单词都是Positive,第二行都是预测成“不是(汉堡)”了，所以第一行的第二个单词都是Negative.
上图是对于二分类而言的混淆矩阵，那对于多分类呢？
3个类别的话就是3*3的矩阵。
如果是N分类呢？
我们总是希薄荷绿位置的数值尽可能的大，其余的地方的数值尽可能的小，这样才说明预测的正确性高。才能说明模型的效果是更好的。