混淆矩阵
分类模型性能评估的可视化工具，以矩阵形式展示模型预测结果与真实标签之间的对应关系，用于分析各类别的分类错误模式
时间轴 (近 90 天)
在IDP评分中，应在映射到混淆矩阵之前，将每个字段的提取结果如实记录为五类原始状态：correct、misread、missed、invented、correct blank。
对于文本字段的误读，存在只算FN、只算FP、或同时算FN和FP等不同约定，不同约定会直接改变最终分数，因此公开结果时必须说明所采用的约定。
精确率（Precision）本质上是在给定预测为正例的条件下，计算真实为正例的后验概率。
精确率、召回率、F1 值、准确率均可由混淆矩阵的四个数字推导。
当 Prevalence 和 FPR 都从同一个混淆矩阵导出时，贝叶斯公式会自然化简为 TP/(TP+FP)。
评估裁判时应看混淆矩阵，而不是只看准确率；如果 90% 的样本本来就是好答案，一个全部判通过的裁判也能显示 90% 准确。
混淆矩阵以2×2表格列出真阳性（TP）、假阳性（FP）、假阴性（FN）、真阴性（TN）四种组合。
实践中常用精确率（Precision）和召回率（Recall）来量化误报漏报，并借助混淆矩阵分析模型表现。
在二分类混淆矩阵中，F1分数是精确率和召回率的调和平均
全部知识事实 (10)
混淆矩阵的概念最早可追溯到1904年Karl Pearson在统计学中对分类误差的研究
60%待验证对于文本字段的误读，存在只算FN、只算FP、或同时算FN和FP等不同约定，不同约定会直接改变最终分数，因此公开结果时必须说明所采用的约定。
50%待验证在IDP评分中，应在映射到混淆矩阵之前，将每个字段的提取结果如实记录为五类原始状态：correct、misread、missed、invented、correct blank。
50%待验证精确率、召回率、F1 值、准确率均可由混淆矩阵的四个数字推导。
50%待验证精确率（Precision）本质上是在给定预测为正例的条件下，计算真实为正例的后验概率。
50%待验证当 Prevalence 和 FPR 都从同一个混淆矩阵导出时，贝叶斯公式会自然化简为 TP/(TP+FP)。
50%待验证评估裁判时应看混淆矩阵，而不是只看准确率；如果 90% 的样本本来就是好答案，一个全部判通过的裁判也能显示 90% 准确。
50%待验证混淆矩阵以2×2表格列出真阳性（TP）、假阳性（FP）、假阴性（FN）、真阴性（TN）四种组合。
50%待验证实践中常用精确率（Precision）和召回率（Recall）来量化误报漏报，并借助混淆矩阵分析模型表现。
50%待验证在二分类混淆矩阵中，F1分数是精确率和召回率的调和平均
50%