我们来介绍一下混淆矩阵 (Confusion Matrix) ，并由此引出假设检验中的几个关键概念。
虽然混淆矩阵最常用于评估机器学习分类模型的性能，但它的基本思想与假设检验中的决策过程高度相似，可以帮助我们更容易理解相关的错误类型和概念，最重要的是面试官如何是机器学习出身，他在面试的过程中用这些名词与你交流。
混淆矩阵：决策结果的总结
想象一个场景，我们需要做一个决策，这个决策只有两种可能的结果（比如，判断一个病人是否生病，或者在假设检验中是否拒绝零假设 ）。同时，存在一个真实的情况（病人真的生病/没生病，零假设 真的为真/为假）。
混淆矩阵就是一个表格，它将我们的决策结果与真实情况进行比较，总结了四种可能的结果：
|
|
真实情况：阳性 ( 为真) | 真实情况：阴性 ( 为真) |
|---|---|---|
| 决策：判为阳性 (拒绝 ) | 真阳性 (True Positive, TP) | 假阳性 (False Positive, FP) |
| 决策：判为阴性 (未能拒绝 ) | 假阴性 (False Negative, FN) | 真阴性 (True Negative, TN) |
|
|
|
|