在機器學習中，更在意FP和FN

什麼是混淆矩陣（confusion matrix）？他長的像下面這樣

|\|實際為真|實際為假|
|---|---|---|
|預測為真|TP(True Positive)|TP(False Positive)|
|預測為假|FP(False Negative)|TP(True Negative)|

我老師也曾經說過：

混淆矩陣叫做confusion matrix
看圖就知道很容易讓人混搖，讓人confused

OK, 記住TP、FP、TN、FM，以及各自的意思就好，至於在矩陣中的哪個位置不重要

混淆矩陣是用來評估模型好壞常見的方法。

他還可以用來加以計算Accuracy, Precision, Recell, F值等衡量指標。在不同情況可能會對不同指標感興趣。

在過去，TP與TN可能比較是被關注的點。因為如果模型有很好的TP, TN值，就表示模型預測的正確行很高(Accurarcy)。不過讓我意外的是，課程中說：

在機器學習中，更在意FP和FN

這個原因是專注於錯誤，有助於調整模型。

FP和FN又被稱為一型錯誤(ɑ錯誤)和二型錯誤(β錯誤)。一型錯誤指的是感興趣的目標未被發現；二型反過來，是被發現的目標壓根不是需要被關注的對象。

延伸閱讀

• 如何辨別機器學習模型的好壞？秒懂Confusion Matrix