4. 混淆矩阵基础归纳总结
聊F1之前，咱们得先把地基打牢。说白了，混淆矩阵就是一把尺子，量的是你的模型到底猜对了多少、猜错了哪些。我刚开始做药物关系预测时，对着这个矩阵愣了半天——四个格子，每个格子都藏着坑。
什么是混淆矩阵
混淆矩阵就是一个 2×2 的表格，把真实类别和预测类别交叉列出来。对于二分类问题，它长这样：
| 预测为正类（Positive） | 预测为负类（Negative） | |
|---|---|---|
| 真实为正类（Positive） | TP（真阳性） | FN（假阴性） |
| 真实为负类（Negative） | FP（假阳性） | TN（真阴性） |
你注意看，行头是「真实」，列头是「预测」。每次我遇到团队新人搞混，我都会让他们在纸上画一遍这个表——横着画真实，竖着画预测。
四个基本元素
这四个格子的名字看着绕，我教你个口诀：第一个字母是T/F表示预测对了还是错了，第二个字母是P/N表示模型预测成啥类别。
- TP（True Positive）：真实是正，模型也预测成正。比如一个药物对真能抑制靶点，模型判断对了。
- TN（True Negative）：真实是负，模型也预测成负。该没反应就没反应，完美。
- FP（False Positive）：真实是负，模型却说是正。这就是假警报，我在项目里见过最坑的——某个候选药物明明没作用，模型非要给它打高分。
- FN（False Negative）：真实是正，模型却说是负。漏网之鱼，往往更致命，因为你可能错过一个真正有效的药物。
从混淆矩阵到评估指标
有了这四个数，咱们才能算精确率、召回率、F1。公式很简单，但意义你得吃透：
精确率（Precision）= TP / (TP + FP)
召回率（Recall） = TP / (TP + FN)
F1 = 2 * (P * R) / (P + R)精确率问的是「你猜的正类里，究竟有多少是真正类？」召回率问的是「真正的正类里，你抓出来了多少？」我见过不少工程师只看精确率，结果模型把正类抓得很少，漏得精光。
举个例子：假设测试集有 100 个正例、100 个负例。模型预测出：
- 预测为正类的样本中，有 80 个是真正的正例（TP=80），20 个是负例（FP=20）
- 剩下的 20 个正例被漏掉了（FN=20），而负例中 80 个被正确排除（TN=80）
那么：Precision = 80/(80+20)=0.8，Recall = 80/(80+20)=0.8，F1也是0.8。但如果FP很多呢？比如FP=50，TP还是80，Precision就掉到0.615了。
你看，这四个指标的源头全是那四个格子。没有混淆矩阵，什么都算不出来。
常见误区与注意事项
- 永远先看混淆矩阵，别只看F1数字
- 检查正负样本比例，必要时用加权F1
- 对不平衡数据，优先关注Recall和FP/FN的绝对数量
还有一个容易犯的错——把混淆矩阵的行列写反。我见过一个团队，把真实和预测的位置弄混，算出来的Precision变成了瞎编的。嗯，这个真得仔细核对。
本章知识结构
下面这个SVG帮你把整个环节串起来：从数据进来，到四格定位，再到三个指标，最后回到业务理解。
图里的逻辑很清楚：右边是FP和FN这两个「坏孩子」，它们的多少直接影响了精确率和召回率，最终反映在F1上。你回头再看那个公式，所有计算都是这四个数字的加减乘除，没别的花头。
嗯，混淆矩阵就这么多内容。记住：它是评估指标的源头，也是你排查模型问题的第一站。下一段咱们就拿着这些数字，去真正理解F1是怎样平衡精确率和召回率的。