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。
对于最常见的二元分类来说，它的混淆矩阵是2乘2的，如下
TP = True Postive = 真阳性； FP = False Positive = 假阳性
FN = False Negative = 假阴性； TN = True Negative = 真阴性
比如我们一个模型对15个样本进行预测，然后结果如下：
预测值：1 1 1 1 1 0 0 0 0 0 1 1 1 0 1
真实值：0 1 1 0 1 1 0 0 1 0 1 0 1 0 0
这个就是混淆矩阵。
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 =(5+4) / 15 = 0.6
精度(precision, 或者PPV, positive predictive value) = TP / (TP + FP)
在上面的例子中，精度 = 5 / (5+4) = 0.556
召回(recall, 或者敏感度，sensitivity，真阳性率，TPR，True Positive Rate) = TP / (TP + FN)，计算方式是真阳性除以真阳性+假阴性。
在上面的例子中，召回 = 5 / (5+2) = 0.714
特异度(specificity，或者真阴性率，TNR，True Negative Rate) = TN / (TN + FP)，计算方式是真阴性除以真阴性+假阳性（实际为阴性，但判断为阳性）
在上面的例子中，特异度 = 4 / (4+4) = 0.5
F1-值(F1-score) = 2*TP / (2*TP+FP+FN)
在上面的例子中，F1-值 = 2*5 / (2*5+4+2) = 0.625