confusion_matrix#
- sklearn.metrics.confusion_matrix(y_true, y_pred, *, labels=None, sample_weight=None, normalize=None)#
计算混淆矩阵以评估分类的准确性。
根据定义，混淆矩阵 \(C\) 是这样的：\(C_{i, j}\) 等于已知属于组 \(i\) 且被预测为属于组 \(j\) 的观测数。
因此在二分类中，真阴性的计数是 \(C_{0,0}\) ，假阴性是 \(C_{1,0}\) ，真阳性是 \(C_{1,1}\) ，假阳性是 \(C_{0,1}\) 。
更多信息请参阅 用户指南 。
- Parameters:
- y_true形状为 (n_samples,) 的类数组
地面真值（正确的）目标值。
- y_pred形状为 (n_samples,) 的类数组
分类器返回的估计目标。
- labels形状为 (n_classes,) 的类数组，默认=None
用于索引矩阵的标签列表。这可以用于重新排序或选择标签的子集。 如果给定
None，则按排序顺序使用在y_true或y_pred中至少出现一次的标签。- sample_weight形状为 (n_samples,) 的类数组，默认=None
样本权重。
Added in version 0.18.
- normalize{‘true’, ‘pred’, ‘all’}，默认=None
对混淆矩阵在真实（行）、预测（列）条件下或所有总体上进行归一化。如果为 None，则混淆矩阵不会被归一化。
- Returns:
- C形状为 (n_classes, n_classes) 的 ndarray
混淆矩阵，其第 i 行和第 j 列条目表示真实标签为第 i 类且预测标签为第 j 类的样本数。
See also
ConfusionMatrixDisplay.from_estimator给定估计器、数据和标签绘制混淆矩阵。
ConfusionMatrixDisplay.from_predictions给定真实和预测标签绘制混淆矩阵。
ConfusionMatrixDisplay混淆矩阵可视化。
References
[1]Wikipedia 关于混淆矩阵的条目 （Wikipedia 和其他参考文献可能使用不同的轴约定）。
Examples
>>> from sklearn.metrics import confusion_matrix >>> y_true = [2, 0, 2, 2, 0, 1] >>> y_pred = [0, 0, 2, 2, 0, 2] >>> confusion_matrix(y_true, y_pred) array([[2, 0, 0], [0, 0, 1], [1, 0, 2]])
>>> y_true = ["cat", "ant", "cat", "cat", "ant", "bird"] >>> y_pred = ["ant", "ant", "cat", "cat", "ant", "cat"] >>> confusion_matrix(y_true, y_pred, labels=["ant", "bird", "cat"]) array([[2, 0, 0], [0, 0, 1], [1, 0, 2]])
在二分类情况下，我们可以如下提取真阳性等：
>>> tn, fp, fn, tp = confusion_matrix([0, 1, 0, 1], [1, 1, 1, 0]).ravel() >>> (tn, fp, fn, tp) (0, 2, 1, 1)
