混淆矩阵是衡量神经网络结果的一个手段，在许多相关论文中都出现过。笔者在撰写研究生期间第一篇论文，考虑使用混淆矩阵来说明神经网络对分类的敏感度。因此进行了简单的研究。主要内容来自下面的链接。https://ww2.mathworks.cn/help/deeplearning/ref/plotconfusion.html?s_tid=srchtitle

在混淆矩阵图中，行对应于预测类（输出），列对应于真实类（目标）。对角线单元对应于正确分类的观测值。非对角线的单元对应错误分类的观察结果。在每个单元格中都显示了对象数量和占总对象数量的百分比。

图表最右边的列显示了正确分类和错误分类的所有类别的所有示例的百分比。这些度量通常分别称为精度（或正预测值）和错误发现率。图表底部的行显示了正确分类和错误分类的每个类别的所有示例的百分比。这些指标通常分别称为召回率（或真阳性率）和假阴性率。图表右下方的单元格显示了整体精度。

（可以不看上面两段） 以下图为例，前两个对角线单元显示了受训网络正确分类的数量和百分比。 例如，有444次1类被正确分类，这占所有样本的63.5％。 同样，有238例2类被正确分类，占所有样本的34％。

有3个2类被错误地分类为1类，这相当于数据中所有样本的0.4％。 同样，1类中有14个被错误地分类为2类，这相当于所有数据的2％。

在444+3=447个1类预测结果中，有99.3％是正确的，而0.7％是错误的。 在14+238=252个2类预测结果中，有94.4％是正确的，而5.6％是错误的。 在44+14=458个1类中，正确预测的占96.9％，错误预测为3.1％。 在241个2类中，正确分类的占98.8％，错误分类的占1.2％。

总体而言，有97.6％的预测是正确的，而有2.4％的预测是错误的。

MATLAB中混淆矩阵函数的使用如下：

plotconfusion(targets,outputs,name) 绘制一个混淆矩阵，并将名称添加到绘图标题的开头。targets为已知的类别标签，outputs是网络的分类结果。 name是图片的名称，输出的名字是“name Confusion Matrix”。

plotconfusion(targets1,outputs1,name1,targets2,outputs2,name2,…,targetsn,outputsn,namen) 在一个图形中绘制多个混淆矩阵，并将名称参数添加到相应图形标题的开头。如果要绘制多个，还会自动压缩图片内单元格的大小，效果如下：

如果你使用的是专业的神经网络，如卷积神经网络、循环神经网络等，直接将对应的数据放在函数里就可以。 如果是使用的是其他形式的分类器，注意弄清楚分类结果和真实标签的位置，以及它们的格式。函数要求标签的格式是categorical vectors或者one-of-N (one-hot) 格式，深度学习的输入和输出都会是这种，如果你的标签和输出时double或者其他格式，只要保证是行向量的形式就可以，笔者在绘制SVM二分类混淆矩阵的时候用的就是这种方法。