目标： 快速理解什么是混淆矩阵， 混淆矩阵是用来干嘛的。
首先理解什么是confusion matrix
看定义，在机器学习领域，混淆矩阵（confusion matrix），又称为可能性表格或是错误矩阵。它是一种特定的矩阵用来呈现算法性能的效果，通常是监督学习（非监督学习，通常用匹配矩阵：matching matrix）。
大白话来讲，就是对机器学习算法的运行结果进行评价，效果如何，精确度怎么样而已。
举个例子，在什么场景下需要这个confusion matrix
假设有一个用来对猫（cats）、狗（dogs）、兔子（rabbits）进行机器学习分类，预测结果（Predicted class）如下图所示。
而实际上共有 27 只动物：8只猫， 6条狗， 13只兔子，如（actual class）所示。
从上表中能看出机器学习预测后的结果了吧，
Cat的正确率： 5/8, 3只猫误判成狗了。
Dog的正确率： 3/6, 2只当成猫，一只误判成兔子。
Rabbit 的正确率：11/13, 准确率还不错，只有2只误判成狗
场景弄明白了，接下来，confusion matrix的介绍真正开始了。
confusion matrix 的组成
混淆矩阵是由false positives，falsenegatives，true positives和true negatives组成的两行两列的表格。它允许我们做出更多的分析，而不仅仅是局限在正确率。准确率对于分类器的性能分析来说，并不是一个很好地衡量指标，因为如果数据集不平衡（每一类的数据样本数量相差太大），很可能会出现误导性的结果。
例如，如果在一个数据集中有95只猫，但是只有5条狗，那么某些分类器很可能偏向于将所有的样本预测成猫。整体准确率为95%，但是实际上该分类器对猫的识别率是100%，而对狗的识别率是0%。
对于上面的混淆矩阵，其对应的对猫这个类别的混淆表格如下：
大白话有来了，其实这个矩阵就是告诉你一下信息：
总共8只猫给你预测：
5只猫都对了（true positive） 2只狗错当成了猫
3只猫错当成狗了（false negative） 剩下的（27-5-2-3）=17 都对啦。
如何使用confusion matrix
直接利用Accord 提供的类进行统计。
using Accord.Statistics.Analysis // 机器学习的预测结构
bool[] expected = Classes.Decide(table.GetColumn());// 实际结果
bool[] output = svm.Decide(inputs); // Use confusion matrix to compute some performance metrics
dgvPerformance.DataSource = new [] { new ConfusionMatrix(output, expected) };
reference：https://en.wikipedia.org/wiki/Confusion_matrix
