Confusion Matrix（混淆矩陣）是一種用來判斷模型做得好不好的一種評估指標。一個模型的預測結果基本上可以分成四種—預測是True且實際是True、預測是True且實際是False、預測是False且實際是True、預測是False且實際是False。Confusion Matrix就是一種將上述4種情形整理好，用來進一步判斷模型的好壞。

在使用Confusion Matrix獲得了TP、FP、FN以及TN過後，我們可以用這4種指標進一步計算Accuracy、Precision和Recall。

（一）Accuracy

Accuracy = (TP + TN) / N，N為總資料筆數

Accuracy的計算是預測正確所佔的百分比，因此也又叫做準確率。這是一種最經典用來判斷一個模型預測的好不好的方法，也是之前筆者一直用來展示的正確率。

（二）Precision

Precision = TP / (TP + FP)

Precision代表的是在預測結果為真的之中實際是真的比例。這種指標通常會用在比較重視我們預測為真的情形下，是否能夠真的是正確的。常用的領域像是在醫學相關預測，當一位病人被診斷出是真的（確診該疾病），我們會希望這是正確的結果，否則就可能導致用藥不當，對病人產生不可挽回的影響。

（三）Recall

Recall = TP / (TP + FN)

Recall看起來和Precision有些類似，只是它代表的是在實際情況下為真中，我們所預測正確的機率。常用的領域像是在醫學相關預測，當一項疾病被診斷出為真（罹患該疾病），我們會希望這項預測是盡可能準確的，甚至比整體模型的準確度（Accuracy）還重要。因為若是誤診的話可能會導致應該被檢查出的疾病沒被查出來，進而導致流行性感冒的傳播。