带有标签 sklearn 的混淆矩阵 - Python

在分类问题中，混淆矩阵（Confusion Matrix）是一种常见的评估模型性能的方法。混淆矩阵展示了模型预测的结果与实际类别之间的关系。在Python中，我们可以使用Scikit-learn库中的confusion_matrix()函数来计算混淆矩阵。

安装Scikit-learn库

在使用Scikit-learn库中的confusion_matrix()函数之前，我们需要先安装Scikit-learn库。可以使用pip来安装Scikit-learn库：

!pip install -U scikit-learn

计算混淆矩阵

假设我们有一个二分类问题，有100个数据样本，我们将其中90个数据样本用于训练模型，剩下10个数据样本用于测试模型。我们可以使用如下的Python代码来计算混淆矩阵：

from sklearn.metrics import confusion_matrix

# 模拟数据
y_test = [0, 1, 1, 0, 1, 0, 0, 1, 0, 1]
y_pred = [0, 1, 1, 0, 1, 1, 0, 0, 0, 0]

# 计算混淆矩阵
confusion_matrix = confusion_matrix(y_test, y_pred)

# 将混淆矩阵转换为DataFrame格式，并添加标签
confusion_matrix_df = pd.DataFrame(confusion_matrix, columns=['预测为0', '预测为1'],
                                    index=['实际为0', '实际为1'])

# 打印混淆矩阵
print(confusion_matrix_df)

输出结果如下：

       预测为0  预测为1
实际为0      4      1
实际为1      2      3

解读混淆矩阵

在上面的例子中，我们得到了一个2×2的混淆矩阵，其中第一行表示实际类别为0的样本，第二行表示实际类别为1的样本，第一列表示模型预测为0的样本，第二列表示模型预测为1的样本。我们可以从混淆矩阵中得到以下信息：

• True Positive（TP，真正例）：模型正确预测为1的样本数量，本例中为3。
• False Positive（FP，假正例）：模型错误地预测为1的样本数量，本例中为1。
• False Negative（FN，假负例）：模型错误地预测为0的样本数量，本例中为2。
• True Negative（TN，真负例）：模型正确预测为0的样本数量，本例中为4。

除了混淆矩阵，我们可以使用Scikit-learn库中的其他函数来评估模型性能，如准确率、召回率、F1值等。