混淆矩阵#

sklearn.metrics.confusion_matrix(y_true, y_pred, *, labels=None, sample_weight=None, normalize=None)[source]#

计算混淆矩阵以评估分类的准确性。

根据定义，混淆矩阵\(C\)使得\(C_{i, j}\)等于已知属于组\(i\)并预测属于组\(j\)的观测数。

因此，在二元分类中，真阴性计数为\(C_{0,0}\)，假阴性计数为\(C_{1,0}\)，真阳性计数为\(C_{1,1}\)，假阳性计数为\(C_{0,1}\)。

更多信息请参见用户指南。

参数:
y_true形状为 (n_samples,) 的类数组

真实目标值。

y_pred形状为 (n_samples,) 的类数组

分类器返回的估计目标值。

labels形状为 (n_classes) 的类数组，默认为 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。如果给出None，则使用在y_true或y_pred中至少出现一次的标签，并按排序顺序排列。

sample_weight形状为 (n_samples,) 的类数组，默认为 None

样本权重。

在 0.18 版本中添加。

normalize{'true', 'pred', 'all'}，默认为 None

根据真实值（行）、预测值（列）或所有样本对混淆矩阵进行归一化。如果为 None，则混淆矩阵不会被归一化。

返回:
C形状为 (n_classes, n_classes) 的 ndarray

混淆矩阵，其中第 i 行第 j 列的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。

另请参见

ConfusionMatrixDisplay.from_estimator

根据估计器、数据和标签绘制混淆矩阵。

ConfusionMatrixDisplay.from_predictions

根据真实标签和预测标签绘制混淆矩阵。

混淆矩阵显示

混淆矩阵可视化。

参考文献

[1]

混淆矩阵的维基百科词条（维基百科和其他参考文献可能对轴使用不同的约定）。

示例

>>> 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]])

在二元情况下，我们可以提取真阳性等，如下所示

>>> tn, fp, fn, tp = confusion_matrix([0, 1, 0, 1], [1, 1, 1, 0]).ravel()
>>> (tn, fp, fn, tp)
(np.int64(0), np.int64(2), np.int64(1), np.int64(1))