📚 课程目录第3章混淆矩阵详解

3. 混淆矩阵详解：TP、FP、FN、TN的计算

聊缺陷检测，绕不开一个东西——混淆矩阵。

说白了，它就是一张表。把你的检测结果和真实情况放在一起，看看你到底对了多少、错了多少。我刚开始做视觉工程师那会儿，觉得这东西太基础了，不就是四个格子嘛。后来真上了产线，才发现这四个格子背后全是坑。

先明确一下概念。假设我们检测一个产品，判断它“有缺陷”还是“无缺陷”。

缩写	全称	通俗解释	我自己的理解
TP	True Positive	有缺陷，被正确检出	抓对了，该报警的报了
FP	False Positive	无缺陷，被误报为有缺陷	虚警，好产品被冤枉了
FN	False Negative	有缺陷，但没检出来	漏检，坏产品溜过去了
TN	True Negative	无缺陷，正确判定为无缺陷	正常通过，啥事没有

一个小技巧： 我习惯把“Positive”理解为“模型认为有缺陷”，“Negative”理解为“模型认为无缺陷”。True/False 表示这个判断对不对。这样记，永远不会乱。

假设我们检测了100个产品。人工复判后，真实情况是：20个有缺陷，80个无缺陷。

我们的算法跑下来，结果是这样的：

来，我们填一下这个矩阵：

	真实：有缺陷	真实：无缺陷
预测：有缺陷	TP = 15	FP = 10
预测：无缺陷	FN = 5	TN = 70

验证一下：

    核心检查点： 每次算完，一定要用“真实总数”和“预测总数”交叉验证。我见过太多人把TP和FP搞反，一错全错。

有了这四个数，我们能算出一堆指标。每个指标看问题的角度不一样。

最直观的指标：所有判断中，对了多少？

Accuracy = (TP + TN) / (TP + TN + FP + FN)

上面例子：Accuracy = (15 + 70) / 100 = 85%。

但是！ 我踩过这个坑。如果缺陷率只有1%，你全部判“无缺陷”，准确率也有99%。这指标在样本不平衡时，就是个骗子。

关注的是：你报的“有缺陷”里，有多少是真的？

Precision = TP / (TP + FP)

上面例子：Precision = 15 / (15 + 10) = 60%。

说白了，这就是误检率的反面。精确率低，说明FP太多，产线上天天响假警报，操作员会疯的。

关注的是：真实有缺陷的，你抓出来多少？

Recall = TP / (TP + FN)

上面例子：Recall = 15 / (15 + 5) = 75%。

这就是漏检率的反面。召回率低，说明FN太多，坏产品流出去了。这在汽车、医疗行业是要命的事。

关注的是：真实无缺陷的，你放过了多少？

Specificity = TN / (TN + FP)

上面例子：Specificity = 70 / (70 + 10) = 87.5%。

这个指标在缺陷检测里用得少，但在医学影像里很常见。我一般只看Precision和Recall。

精确率和召回率的调和平均。当你想同时控制误检和漏检时，就看它。

F1 = 2 * (Precision * Recall) / (Precision + Recall)

上面例子：F1 = 2 * (0.6 * 0.75) / (0.6 + 0.75) ≈ 66.7%。

避坑指南： 我曾经在一个项目中，只盯着Accuracy看，模型调到99.2%，觉得稳了。结果上线第一天，FP把产线堵死了。后来我才明白，在缺陷检测里，Precision和Recall才是亲爹。

下面这张图，把混淆矩阵和各个指标的关系画清楚了。我每次做项目汇报，都会在PPT里放一张类似的图，老板一看就懂。

指标不是越多越好。我一般这样选：

我的习惯： 每次调完模型，先看混淆矩阵的四个数，再算指标。不要只看一个数字就下结论。矩阵里的分布，比任何单一指标都诚实。

把TP和FP搞反： 记住，TP是“你对了”，FP是“你错了”。我刚开始也经常搞混，后来在代码里加了中文注释才改过来。
只看Accuracy： 缺陷率1%时，Accuracy 99% 可能全是废的。一定要看混淆矩阵的分布。
忽略TN： 虽然TN不影响Precision和Recall，但算Accuracy和Specificity时要用到。别漏了。
样本不平衡时盲目优化： 我曾经在一个项目里，缺陷率只有0.5%，拼命调Recall，结果Precision掉到10%以下，产线天天误报。后来加了样本权重才平衡过来。