场景解释：

二分类场景会有两种输出。我的样本里有猫的图片和其他的图片。我的输出值是“是猫”和“非猫”。这个场景下，“是猫”是我的正样本(Postive)。“非猫”是我的负样本(Negative)。

Confusion matrix:

横向表示预测的结果。纵向表示真实的结果。

Postive和Negative用来表示预测的结果。预测“是猫”，则Positive。预测为“非猫”，则negative.

Ture和False用来表示预测正确与否。预测值与真实值一致则为True，不一致为False。

所以可以看到斜对角的Ture与False值是一致的。竖向同一列的Postive与Negative值是一致的。

所以四个格子的意思也很好理解：

TP：预测是猫，实际是猫

FP：预测是猫，其实非猫

FN：预测非猫，其实是猫

TN，预测非猫，实际非猫

Recall和Precision

Recall=TP/(TP+FN)。这个值叫查全率。目的是看有没有把所有真正的P都找出来。

Precision= TP/(TP+FP)。这个值是精确度，目的是看预测出来的P里有多少是正确预测的。

F1 score是Recall和Precision的综合分数。

注重Recall场景：

遗漏正样本的风险很大。比如正样本是猫，负样本是石头，我们识别猫，是为了把它们拎出来。剩下的石头要被打碎。所以不可以遗漏任何一只正样本。

注重Precision的场景：

把负样本当成正样本的风险很大。比如正样本是没绝育的猫，负样本是绝育的猫。把负样本当成正样本会造成猫被二次绝育。不能这样干，