Python sklearn confusion_matrix用法及代码示例

本文简要介绍python语言中 sklearn.metrics.confusion_matrix 的用法。

用法:

sklearn.metrics.confusion_matrix(y_true, y_pred, *, labels=None, sample_weight=None, normalize=None)

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 \(C_{i, j}\) 等于已知在组 \(i\) 中并预测在组 \(j\) 中的观察数。

因此，在二进制分类中，真负数为 \(C_{0,0}\) ，假负数为 \(C_{1,0}\) ，真正数为 \(C_{1,1}\) ，假正数为 \(C_{0,1}\) 。

在用户指南中阅读更多信息。

参数：

y_true：形状类似数组 (n_samples,)

基本事实(正确)目标值。

y_pred：形状类似数组 (n_samples,)

分类器返回的估计目标。

labels：形状类似数组(n_classes)，默认=无

索引矩阵的标签列表。这可用于重新排序或选择标签子集。如果给定None，则在y_true 或y_pred 中至少出现一次的那些将按排序顺序使用。

sample_weight：形状类似数组 (n_samples,)，默认=None

样本权重。

normalize：{‘true’, ‘pred’, ‘all’}，默认=无

在真实(行)、预测(列)条件或所有总体上标准化混淆矩阵。如果没有，混淆矩阵将不会被归一化。

返回：

C：ndarray 形状(n_classes，n_classes)

混淆矩阵，其i-th 行和j-th 列条目表示真实标签为i-th 类且预测标签为j-th 类的样本数。

参考：

1

Wikipedia entry for the Confusion matrix(维基百科和其他引用可能对轴使用不同的约定)。

例子：

>>> 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]])

在二进制情况下，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)
(0, 2, 1, 1)