整理 歸納 舉例 記錄一下
（一）混淆矩陣
混淆矩陣也稱誤差矩陣，是表示精度評價的一種標準格式，用n行n列的矩陣形式來表示。
| Predicted as Positive（預測-正例） | Predicted as Negative（預測-反例） | |
| Labeled as Positive （真實-正例） | True Positive(TP-真正例) | False Negative(FN-假反例) |
| Labeled as Negative （真實-反例） | False Positive(FP-假正例) | True Negative(TN-真反例) |
TP：真正，被模型分類正確的正樣本 【預測爲1 實際爲1】
FN：假負，被模型分類錯誤的正樣本 【預測爲0 實際爲1】
FP：假正，被模型分類錯誤的負樣本 【預測爲1 實際爲0】
TN：真負，被模型分類正確的負樣本 【預測爲0 實際爲0】
計算評價指標：
Precision查準率、精確率：分類正確的正樣本個數佔分類器分成的所有正樣本個數的比例
Recall查全率、召回率：分類正確的正樣本個數佔正樣本個數的比例
F1值：
F1度量的一般形式是：
F1是基於查全率和查準率的調和平均定義的如下：
TPR:真正例率
FPR:假正例率
ROC曲線：
根據學習器的預測結果對樣例進行排序，按此順序逐個把正例進行預測，每次計算出真正例率、假正例率，並以真正例率爲縱軸，假正例率爲橫軸，即得到ROC曲線
總體分類精度（Overall Accuracy）:分類正確的樣本個數佔所有樣本個數的比例
Kappa係數：
（二） 例： 單位/像素（pixel）
| class | 水體 | 林地 | 耕地 | 未利用地 | 居民地 | 總計 |
| 水體 | 25792 | 0 | 0 | 2 | 44 | 25838 |
| 林地 | 80 | 16825 | 297 | 684 | 1324 | 19210 |
| 耕地 | 519 | 60 | 27424 | 38 | 11542 | 39583 |
| 未利用地 | 31 | 0 | 0 | 9638 | 487 | 10156 |
| 居民地 | 323 | 0 | 49 | 133 | 30551 | 31056 |
| 總計 | 26745 | 16885 | 27770 | 10495 | 43948 | 125843 |
| 林地 | Predicted as Positive | Predicted as Negative |
| Labeled as Positive | 16825(TP) | 2385(FN) |
| Labeled as Negative | 60(FP) | 93405(TN) |
林地-精確率P：
P = （16825）/（16825+60）= 0.9964
林地-召回率R：
R = （16825）/（16825+2385）= 0.8758
林地-F1值：
總體精度： 正確分類的像元總和除以總像元數。被正確分類的像元數目沿着混淆矩陣的對角線（紅色字體）分佈，總像元數等於所有真實參考源的像元總數 （藍色字體）
OA = （110230/125843）=87.5933%
Kappa係數：通過把所有真實參考的像元總數（N）乘以混淆矩陣對角線（Xii）的和，再減去各類中真實參考像元數與該類中被分類像元總數之積之後，再除以像元總數的平方減去各類中真實參考像元總數與該類中被分類像元總數之積對所有類別求和的結果。
K = 0.8396
（三）Python求混淆矩陣
導入庫：
from sklearn import metrics
from sklearn.metrics import confusion_matrix
from sklearn.metrics import classification_report
類似例子代碼見：
計算一幅圖像中不同地物的分類精確度（以像素爲單位）
計算分類結果圖與標準參考圖混淆矩陣
對分類結果進行P值、R值、F1值等的評價
https://download.csdn.net/download/m_try/10450455
參考：
http://blog.sina.com.cn/s/blog_670ee7720102vjxg.html
https://blog.csdn.net/fisherming/article/details/79356949
分享，多擔待。望有幫助