二分类混淆矩阵怎么看：

混淆矩阵是将每个观测数据实际的分类与预测类别进行比较。混淆矩阵的每一列代表了预测类别 ，每一列的总数表示预测为该类别的数据的数目；每一行代表了观测数据的真实归属类别，每一行的数据总数表示该类别的观测数据实例的数目。每一列中的数值表示真实数据被预测为该类的数目。

这些指标通常对区分误分类错误类型有用。例如，在weather数据集中。假阳性将预测明天会下雨，但事实上并非如此。结果是，我可能会带伞，但没有用到。

假阴性预测结果是明天没有雨，但实际下了，如果依据模型的预测，你不需要带雨伞，不幸的是遇到大雨，你被淋湿了。在这个例子中，假阴性比假阳性更重要。

TP(真阳性)表示阳性样本经过正确分类之后被判为阳性。

TN(真阴性)表示阴性样本经过正确分类之后被判为阴性。

FP(假阳性)表示阴性样本经过错误分类之后被判为阳性。

FN(假阴性)表示阳性样本经过错误分类之后被判为阴性。