混淆矩阵是用来总结一个分类器结果的矩阵。
对于k元分类，其实它就是一个k x k的表格，用来记录分类器的预测结果。
分类结果表述：
TP = True Postive = 真阳性； FP = False Positive = 假阳性
FN = False Negative = 假阴性； TN = True Negative = 真阴性
先用表格做一个矩阵示例，如下：
| 预测值1 | 预测值0 | |
| 真实值1 | 6 （TP） | 4 （FN） |
| 真实值0 | 5 （FP） | 3 （TN） |
混淆矩阵中的这四个数值，经常被用来定义其他一些度量。
准确度(Accuracy) = (TP+TN) / (TP+TN+FN+TN)
在上面的例子中，准确度 = (6+3) / 16 = 0.563
精度(precision, 或者PPV, positive predictive value) = TP / (TP + FP)
在上面的例子中，精度 = 6 / (6+5) = 0.545
召回(recall, 或者敏感度，sensitivity，真阳性率，TPR，True Positive Rate) = TP / (TP + FN)
在上面的例子中，召回 = 6/ (6+4) = 0.6
特异度(specificity，或者真阴性率，TNR，True Negative Rate) = TN / (TN + FP)
在上面的例子中，特异度 = 3 / (3+5) = 0.375
F1-值(F1-score) = 2*TP / (2*TP+FP+FN)
在上面的例子中，F1-值 = 2*6 / (2*6+4+5) = 0.631