机器学习：逻辑回归_混淆矩阵
机器学习，逻辑回归，混淆矩阵。逻辑回归处理分类问题，线性回归的评估方法往往是以准确率为依据，但分类问题在不同业务场景下并不能以准确率为评估标准。
混淆矩阵指标：
真正例（TP，True Positive），真预测为真。
伪反例（FN，False Negative），真预测为假。
真反例（TN，True Negative），假预测为假。
伪正例（FP，False Positive），假预测为真。
例子：癌症样本10个，6个恶性，4个良性，恶性为真。
模型1预测结果：恶性3个正确，良性4个正确。
TP = 3
FN = 6 - 3 = 3
TN = 4
FP = 4 - 4 = 0
精确率 = 3 / (3 + 0) = 1.0
召回率 = 3 / (3 + 3) = 0.5
模型2预测结果：恶性6个正确，良性1个正确。
TP = 6
FN = 6 - 6 = 0
TN = 1
FP = 4 -1 = 3
准确率 = 6 / (6 + 3) = 0.7
召回率 = 6 / (6 + 0) = 1.0
结果：两种模型精确率模型1比模型2高，但模型2召回率高于模型1，在健康检查的目的下选择模型2。
混淆矩阵
