混淆矩阵 Python 介绍

混淆矩阵（Confusion Matrix）是机器学习中常用的评价模型性能的指标。将模型预测结果与实际结果进行比较，计算出具体的TP、FP、TN、FN等指标，能够全面地评估模型的性能表现。

在 Python 中，我们可以借助 scikit-learn 库直接生成混淆矩阵。其代码如下：

from sklearn.metrics import confusion_matrix

y_true = [0, 1, 0, 1, 0, 1, 0, 1]
y_pred = [0, 0, 0, 1, 0, 0, 1, 1]

confusion_matrix(y_true, y_pred)

该段代码生成了一个 $2 \times 2$ 的混淆矩阵。输出结果如下：

array([[3, 1],
       [2, 2]])

其中，第一列代表实际值是 0 的样本，第二列代表实际值是 1 的样本。同样，第一行代表预测为 0 的样本，第二行代表预测为 1 的样本。那么具体的指标如下：

• TP(True Positive)：实际值为 1，预测值为 1 的样本数量，即混淆矩阵左上角的值。在本例中，TP 的值为 3。
• TN(True Negative)：实际值为 0，预测值为 0 的样本数量，即混淆矩阵右下角的值。在本例中，TN 的值为 2。
• FP(False Positive)：实际值为 0，预测值为 1 的样本数量，即混淆矩阵右上角的值。在本例中，FP 的值为 1。
• FN(False Negative)：实际值为 1，预测值为 0 的样本数量，即混淆矩阵左下角的值。在本例中，FN 的值为 2。

根据以上的四个指标，我们可以简单地计算出模型的准确率（Accuracy）、精确率（Precision）和召回率（Recall），还可以计算 F1 值（F1-score）。对应的代码如下：

from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

y_true = [0, 1, 0, 1, 0, 1, 0, 1]
y_pred = [0, 0, 0, 1, 0, 0, 1, 1]

print("Accuracy:", accuracy_score(y_true, y_pred))
print("Precision:", precision_score(y_true, y_pred))
print("Recall:", recall_score(y_true, y_pred))
print("F1-score:", f1_score(y_true, y_pred))

输出结果如下：

Accuracy: 0.625
Precision: 0.6666666666666666
Recall: 0.5
F1-score: 0.5714285714285714

以上便是 Python 中生成混淆矩阵和常见指标的示例代码。