这种组合就产生了混淆矩阵视图，我们可以在其中找到特定类型的错误分类。在上面的例子中，我们可以看到机器学习模型错误地将一些猫的图片分类为青蛙。把真实图形放在混淆矩阵中让我们发现的一个有趣现象是：这些「真猫」中的一只被模型预测为青蛙是因为它在视觉检查中被定义为青蛙，这是由于模型训练的数据集中它被人为地错误分类了。

　　你能区分出猫和青蛙吗？

在谷歌内部，Facets 已经展现出了巨大价值。现在，谷歌希望将这份便利分享到全世界，通过发现数据中更有趣的新特征来创造更加强大和准确的机器学习模型。因为 Facets 已经开源，你可以根据自己的需求自定义可视化内容，或为项目作出贡献。

　　参考文献

　　[1] Lichman, M. (2013). UCI Machine Learning Repository

　　[+Income]. Irvine, CA: University of California, School of Information and Computer Science

　　[2] Learning Multiple Layers of Features from Tiny Images , Alex Krizhevsky, 2009：https://www.cs.toronto.edu/~kriz/learning-features-2009-TR.pdf

　　原文链接：https://research.googleblog.com/2017/07/facets-open-source-visualization-tool.html