confusion_matrix#

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 \(C\) 满足 \(C_{i, j}\) 等于已知属于组 \(i\) 但预测属于组 \(j\) 的观测值数量。

因此在二分类中，真阴性的数量是 \(C_{0,0}\)，假阴性的数量是 \(C_{1,0}\)，真阳性的数量是 \(C_{1,1}\)，假阳性的数量是 \(C_{0,1}\)。

在用户指南中阅读更多内容。

参数:
y_true形状为 (n_samples,) 的 array-like

真实（正确）的目标值。

y_pred形状为 (n_samples,) 的类数组

分类器返回的估计目标。

labels形状为 (n_classes,) 的类数组对象, 默认为 None

用于索引矩阵的标签列表。可用于重新排序或选择标签子集。如果给定 None，则使用出现在 y_true 或 y_pred 中至少一次的标签，并按排序顺序排列。

sample_weightshape 为 (n_samples,) 的 array-like, default=None

样本权重。

版本 0.18 新增。

normalize{‘true’, ‘pred’, ‘all’}, default=None

根据真实条件（行）、预测条件（列）或所有总体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:
Cndarray of shape (n_classes, n_classes)

混淆矩阵，其第 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 类的样本数量。

另请参阅

ConfusionMatrixDisplay.from_estimator

给定估计器、数据和标签，绘制混淆矩阵。

ConfusionMatrixDisplay.from_predictions

给定真实标签和预测标签，绘制混淆矩阵。

ConfusionMatrixDisplay

混淆矩阵可视化。

confusion_matrix_at_thresholds

对于二分类，计算每个阈值的真阴性、假阳性、假阴性和真阳性计数。

References

[1]

混淆矩阵的维基百科条目（维基百科和其他参考资料可能使用不同的轴约定）。

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]])

在二分类情况下，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().tolist()
>>> (tn, fp, fn, tp)
(0, 2, 1, 1)