多标签混淆矩阵#

sklearn.metrics.multilabel_confusion_matrix(y_true, y_pred, *, sample_weight=None, labels=None, samplewise=False)[source]#

计算每个类别或样本的混淆矩阵。

0.21 版本新增。

计算逐类（默认）或逐样本（samplewise=True）多标签混淆矩阵以评估分类的准确性，并输出每个类别或样本的混淆矩阵。

在多标签混淆矩阵 \(MCM\) 中，真阴性计数为 \(MCM_{:,0,0}\)，假阴性计数为 \(MCM_{:,1,0}\)，真阳性计数为 \(MCM_{:,1,1}\)，假阳性计数为 \(MCM_{:,0,1}\)。

多类别数据将被视为在单类与其余类变换下被二值化处理。返回的混淆矩阵将按照 (y_true, y_pred) 并集的排序唯一标签的顺序排列。

更多信息请阅读用户指南。

参数：

y_true形状为 (n_samples, n_outputs) 或 (n_samples,) 的{类数组, 稀疏矩阵}: 真实目标值。
y_pred形状为 (n_samples, n_outputs) 或 (n_samples,) 的{类数组, 稀疏矩阵}: 分类器返回的估计目标值。
sample_weight形状为 (n_samples,) 的类数组, 默认值=None: 样本权重。
labels形状为 (n_classes,) 的类数组, 默认值=None: 一个类别列表或列索引，用于选择一些类别（或强制包含数据中不存在的类别）。
samplewise布尔值, 默认值=False: 在多标签情况下，这将计算每个样本的混淆矩阵。

返回:

multi_confusion形状为 (n_outputs, 2, 2) 的ndarray: 对应于输入中每个输出的 2x2 混淆矩阵。在计算逐类 multi_confusion（默认）时，n_outputs = n_labels；在计算逐样本 multi_confusion (samplewise=True) 时，n_outputs = n_samples。如果定义了labels，则结果将按照labels中指定的顺序返回；否则，结果将按默认排序返回。

另请参见

混淆矩阵: 计算混淆矩阵以评估分类器的准确性。

备注

multilabel_confusion_matrix计算逐类或逐样本的多标签混淆矩阵，在多类别任务中，标签以一对多方式进行二值化；而confusion_matrix计算一个混淆矩阵，用于表示每两类之间的混淆。

示例

多标签指示器情况

>>> import numpy as np
>>> from sklearn.metrics import multilabel_confusion_matrix
>>> y_true = np.array([[1, 0, 1],
...                    [0, 1, 0]])
>>> y_pred = np.array([[1, 0, 0],
...                    [0, 1, 1]])
>>> multilabel_confusion_matrix(y_true, y_pred)
array([[[1, 0],
        [0, 1]],

       [[1, 0],
        [0, 1]],

       [[0, 1],
        [1, 0]]])

多类别情况

>>> y_true = ["cat", "ant", "cat", "cat", "ant", "bird"]
>>> y_pred = ["ant", "ant", "cat", "cat", "ant", "cat"]
>>> multilabel_confusion_matrix(y_true, y_pred,
...                             labels=["ant", "bird", "cat"])
array([[[3, 1],
        [0, 2]],

       [[5, 0],
        [1, 0]],

       [[2, 1],
        [1, 2]]])