混淆矩阵（Confusion matrix）+ 代码实现

在机器学习领域，混淆矩阵（Confusion Matrix），又称为可能性矩阵或错误矩阵。混淆矩阵是可视化工具，特别用于监督学习，在无监督学习一般叫做匹配矩阵。在图像精度评价中，主要用于比较分类结果和实际测得值，可以把分类结果的精度显示在一个混淆矩阵里面。

混淆矩阵要表达的含义：

每一行之和表示该类别的真实样本数量，每一列之和表示被预测为该类别的样本数量。

 True Positive（TP）：真正类。样本的真实类别是正类，并且模型识别的结果也是正类。

 False Negative（FN）：假负类。样本的真实类别是正类，但是模型将其识别为负类。

 False Positive（FP）：假正类。样本的真实类别是负类，但是模型将其识别为正类。

 True Negative（TN）：真负类。样本的真实类别是负类，并且模型将其识别为负类。 

样例总数 = TP + FP + TN + FN

该矩阵可用于易于理解的二类分类问题，但通过向混淆矩阵添加更多行和列，可轻松应用于具有3个或更多类值的问题。

主对角线上的元素代表每个类别正确分类的数量，所以一般直接看主对角线上的值就行了

代码实现：

pip install scikit-learn matplotlib

from sklearn.metrics import confusion_matrix
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np

# 生成一些示例的真实标签和预测标签
true_labels = [1, 0, 1, 1, 0, 1, 0, 0]
predicted_labels = [1, 0, 0, 1, 0, 1, 0, 1]

# 使用scikit-learn计算混淆矩阵
cm = confusion_matrix(true_labels, predicted_labels)

# 使用seaborn绘制混淆矩阵的热力图
sns.heatmap(cm, annot=True, cmap="Blues", fmt='g')
plt.xlabel('Predicted labels')
plt.ylabel('True labels')
plt.show()

实例：

imagemol的二分类混淆矩阵

[机器学习笔记] 混淆矩阵（Confusion Matrix）_混淆矩阵计算公式_梅森上校的博客-CSDN博客