混淆矩阵（Confusion Matrix）

在机器学习领域，混淆矩阵（Confusion Matrix），又称为可能性矩阵或错误矩阵。混淆矩阵是可视化工具，特别用于监督学习，在无监督学习一般叫做匹配矩阵。在图像精度评价中，主要用于比较分类结果和实际测得值，可以把分类结果的精度显示在一个混淆矩阵里面。

混淆矩阵的结构一般如下图表示的方法。

混淆矩阵要表达的含义：

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；

每一行代表了数据的真实归属类别，每一行的数据总数表示该类别的数据实例的数目；每一列中的数值表示真实数据被预测为该类的数目。

基本事件可能发生在零和一（概率）之间的概率。在样本空间有限的离散概率分布中，每个基本事件被赋予特定概率。相反，在连续分布中，个体基本事件必须都具有零的概率，因为它们中的无穷多，因此非零概率只能被分配给非基本事件。

一些“混合”分布包含两段连续的基本事件和一些离散的基本事件;这种分布中的离散基本事件可以称为原子或原子事件，并且可以具有非零概率。[2]

在概率空间的度量理论定义下，不需要定义基本事件的概率。特别地，定义概率的事件集合可以是S上的一些σ代数，而不一定是全集。