python混淆_python实现混淆矩阵

机器学习的评估指标​zhuanlan.zhihu.com

该篇文章介绍了机器学习的一些评估指标，要得到这些指标的基础，就是先求得混淆矩阵，那在代码中怎么获取混淆矩阵呢？

二分类

二分类比较简单，所以我们先来分析一下二分类的情况。

我们利用 sklearn中的 confusion_matrix 函数来得到混淆矩阵，函数原型为：

sklearn.metrics.confusion_matrix(y_true, y_pred, labels=None, sample_weight=None)y_true：样本真实的分类标签列表

y_pred：样本预测的分类结果列表

labels：类别列表，可用于对类别重新排序或选择类别子集。如果默认，则将y_true 或y_pred 中至少出现一次的类别按排序顺序构成混淆矩阵。

sample_weight：样本权重

先看下面这个例子：

>>> from sklearn.metrics import confusion_matrix

>>> y_true = [0, 1, 0, 1]

>>> y_pred = [1, 1, 1, 0]

>>> confusion_matrix(y_true, y_pred)

[[0 2]

[1 1]]

我们得到了一个2x2的矩阵，这是什么意思？建议先去看看本文最开始的那篇文章。

在二分类的模型中，混淆矩阵把预测情况与实际情况的所有结果进行组合，形成了真正 (true positive)、假正 (false positive)、真负 (true negative) 和假负 (false negative) 四种情形，分别由TP、FP、TN、FN 表示(T代表预测正确，F代表预测错误)。

返回值是一个形状为[n_classes, n_classes]的混淆矩阵，对于二分类模型，这个2x2的矩阵表示如下：

TN|FP

FN|TP

所以我们可以通过ravel()来直接得到这四个值：

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

如果知道 tn, fp, fn, tp 这四个值的