今天我們來介紹ROC曲線~

Confusion Matrix

Confusion Matrix是機器學習的一種評估預測結果的工具，主要用來評估模型的性能。通常以表格的方式呈現模型的預測結果和真實情況之間的關係。

上圖中一共有四個格子，分別是TP、FN、FP、TN，現在我們一一來介紹它們

(1)真陽性(True Positive, TP): 預測為Positive且實際結果為True(表預測準確的意思)，可以想像成今天A和B在打比賽，你預測A會贏，結果A真的贏了。這種就是屬於TP。

(2)真陰性(True Negative, TN): 預測為Negative且實際結果為True(表預測準確的意思)，當今天A和B在打比賽，你預測A會輸，結果A真的輸了。這種就是屬於TN。

(3)偽陽性(False Positive, FP): 預測為Positive，但實際結果為False(表預測準確的意思)，當今天A和B在打比賽，你預測A會贏，結果A輸掉了。

(4)偽陰性(False Negative, FN): 預測為Negative，但實際結果為False(表預測準確的意思)，例如A和B在打比賽，你預測A會輸，結果A卻贏了。

混淆矩陣經常用來做準確度(Accuracy)、精確度(Precision)、召回率(Recall以及F1分數(F1-Score)等分析，這些指標可以幫助我們更全面地評估模型的效能，並選擇適當的模型或調整模型的參數以提高性能。