sklearn 统计多分类和单分类结果的混淆矩阵API 写法 confusion_matrix 左边为真实值 上边为预测值

分析代码源自

from sklearn.metrics import confusion_matrix

如何写混淆矩阵
手动分析如下
一 将y_true y_pred写成列向量的形式
y_true   y_pre    是否匹配(真实值与预测值是否匹配)

0        1         n
1        1         y
0        1         n
1        0         n

二 统计
二分类混淆矩阵列如下（1代表阳性  0 代表阴性）
             预测值
真实值      0         1
0           0 (tn)        2(fp)
1           1 (fn)         1（tp）

举例
In the binary case, we can extract true positives, etc as follows:

>>> tn, fp, fn, tp = confusion_matrix([0, 1, 0, 1], [1, 1, 1, 0]).ravel() >>> (tn, fp, fn, tp) (0, 2, 1, 1)

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]])

手动分析如下 
一 将y_true  y_pred写成列向量的形式
y_true   y_pre       是否匹配(真实值与预测值是否匹配)

2         0                     n
0         0                     y
2         2                     y
2         2                     y
0         0                     y
1         2                     n
二 统计
多分类混淆矩阵列如下
          预测值
真实值 0   1   2
0      2   0   0
1      0   0   1
2      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]])


手动分析如下
一 将y_true y_pred写成列向量的形式
y_true    y_pre    是否匹配(真实值与预测值是否匹配)

cat          ant        n
ant          ant         y
cat          cat        y
cat          cat        y
ant          ant       y
bird         cat       n
二 统计
多分类混淆矩阵列如下
           预测值
真实值      ant bird cat
ant         2   0     0
bird        0   0     1
cat         1   0     2