机器学习第十八讲：混淆矩阵 → 诊断模型在医疗检查中的误诊情况

资料取自《零基础学机器学习》。
查看总目录：学习大纲

关于DeepSeek本地部署指南可以看下我之前写的文章：DeepSeek R1本地与线上满血版部署：超详细手把手指南

---

混淆矩阵是模型诊断的体检报告，能清晰展示分类模型的各种"误诊"类型[^8-1]。通过医疗检查案例详细说明：

一、核心概念（类似疫情筛查报告）

假设医院用AI模型检测1000份血样，实际有50人感染病毒：

示例数据：
| | 实际感染 | 实际健康 |
|----------------|---------|---------|
| 预测感染 | TP=45 | FP=10 |
| 预测健康 | FN=5 | TN=940 | [^2][4]

二、关键指标解读（医生最关注的4个数据）

1. 假阳性（误诊）：健康人被误判为感染者 → 造成过度治疗 [参考材料1]
2. 假阴性（漏诊）：感染者被误判为健康 → 导致疫情扩散 [参考材料6]
3. 精确率 = TP/(TP+FP) = 45/55 ≈ 81.8% → 预测感染者的可信度 [参考材料2]
4. 召回率 = TP/(TP+FN) = 45/50 = 90% → 真实感染者的检出率 [参考材料6]

三、医疗场景应用（新冠肺炎检测案例）

案例背景：CT影像AI诊断系统 [参考材料4]

• 数据集：500张肺部CT（300新冠阳性，200阴性）
• 模型预测结果：

  # 混淆矩阵数值
  [[275,  25],  # 真阳性275 | 假阳性25
   [ 15, 185]]  # 假阴性15 | 真阴性185
  

问题诊断：

1. 假阳性问题：25例健康人需复检 → 增加医疗资源消耗
2. 假阴性危机：15例漏诊患者成为传染源 → 需提升模型灵敏度[^6]
3. 平衡建议：调整阈值使FN<5，即使FP増至40 [参考材料6]

类比说明：就像机场安检，过分严格（低FP）会延误旅客，过于宽松（低FN）会放过危险品，需权衡两者[^8-1]

四、可视化呈现（热力图诊断）

实操步骤：

1. 用seaborn绘制热力矩阵 [参考材料3]

   sns.heatmap([[275,25],[15,185]], annot=True, cmap="Blues") 
   

2. 深色块表示问题区域：
   • 左下角(15)：急需减少的漏诊病例
   • 右上角(25)：可容忍的误诊误差[^4]

优化效果：
调参后矩阵变为：

[[285, 35],
 [ 3, 177]]

• 漏诊从15→3人，误诊从25→35人 → 更适合疫情管控 [参考材料6]

---

目录：总目录
上篇文章：机器学习第十七讲：PCA → 把100维数据压缩成3D视图仍保持主要特征
下篇文章：机器学习第十九讲：交叉验证 → 用五次模拟考试验证真实水平

---

[^8-1]《零基础学机器学习》第八章第一/二节评估指标
[^2][3][^4][6]参见医疗检测案例实践（《零基础学机器学习》心脏病预测章节）