混淆矩阵和两类错误有什么关系吗？
1 混淆矩阵
在机器学习的分类问题中，最后需要去评估我们模型的优劣，这时候有众多的指标可以去考虑，之前两篇博客中也都有涉及，详情见：
在众多评价指标的计算中都得依赖于一个东东，他就是【混淆矩阵】，具体长下面这个样子，但有时候预测值和真实值位置会换过来，不过这个影响不大。
那通过混淆矩阵我们可以干嘛呢？可以看到什么呢？
- 计算众多上面两篇之前博客中的一些评价指标，比如准确率precision 召回率等等
- 看到不同类别的实际值有多少，预测为各自类别的有多少等等。
2 统计学上的两类错误
学统计的小伙伴都知道，统计上有著名的两类错误哈:
- 第一类错误：弃真错误。即原假设为真我们却拒绝
- 第二类错误：取伪错误。即原假设为假我们却没有拒绝
这其中有个很重要的统计思想：假设检验。源自英国一个故事-《女士品茶》。多说一句英国这个国家也是奇葩，当时整个国家都喜欢喝茶，那时候哪里茶叶最多呢？中国！所以每年都要在中国购买很多茶叶，交很多钱，于是心里不平衡啦，向中国输送鸦片，让中国的钱也流到自己的口袋里，这才有了后面的鸦片战争…
3 两者的关系
上面介绍了混淆矩阵和两类错误，那两者有什么关系呢？其实小编之前还真不知道，前段时间参加vivo的秋招提前批笔试遇到了这个问题，后来网上搜了一下才知道，两者具体的关系如下：
为什么两类错误对应是FP和FN呢？
- 通常我们先考虑我们预测的阳性结果，里面有多少错误(先竖着看预测为1的)。也就是预测为1的有多少预测错了称为第一类错误。
- 再考虑我们预测的阴性结果，里面有多少是假阴性(后竖着看预测为0的)。也就是预测为0的有多少预测错了称为第二类错误。