记录一下，在学习用SVM分类时，需要对分类结果进行评价，光有正确率是不够的，所以就使用了混淆矩阵。原理的话，很多博客上都有，但为了便于理解程序，就简单讲一下。

结合程序，我们的类别是（-1,1），在Matlab中，类别是按照值的大小排的，即-1在前。但为了更加直观明了，解释理论的时候依然是1为正类。

	1	-1
1	TP	FN
-1	FP	TN

TP:真正，“T”，分类正确，“P”，预测为正

FP:假正，“F”，分类错误，“P”，预测为正

FN:假负，“F”，分类错误，“N”，预测为负

TN:真负，“T”，分类正确，“N”，预测为负

评价指标：

Precision 精确率：被正确分类的正样本数占所有被分成正样本数的比例

Recall 召回率：被正确分类的正样本数占正样本总数的比例

F1值：基于精确率和召回率的调和平均值

根据公式，我们可以写出代码：

clc
clear all
% 真实类别
real_label = [1, 1, -1, -1, -1];

% 预测类别
predict_label = [1, 1, -1, -1, 1];
% 利用“confusionmat”可以直接产生混淆矩阵，不过-1在前，1在后
[A,~] = confusionmat(real_label,predict_label);

% 计算-1类的评价值
c1_precise = A(1,1)/(A(1,1) + A(2,1));
c1_recall = A(1,1)/(A(1,1) + A(1,2));
c1_F1 = 2 * c1_precise * c1_recall/(c1_precise + c1_recall);

% 计算1类的评价值
c2_precise = A(2,2)/(A(1,2) + A(2,2));
c2_recall = A(2,2)/(A(2,1) + A(2,2));
c2_F1 = 2 * c2_precise * c2_recall/(c2_precise + c2_recall);

PS:有任何不正确的地方，欢迎各位指正。