python求混淆矩阵

在机器学习中，混淆矩阵是一种用于评估分类模型性能的工具。它是一个二维矩阵，用于比较模型预测结果与真实标签之间的差异。在Python中，可以使用scikit-learn库来计算混淆矩阵。

以下是一个计算混淆矩阵的示例代码：

from sklearn.metrics import confusion_matrix

# 假设有真实标签和模型预测结果
y_true = [0, 1, 0, 1, 1, 0]
y_pred = [0, 1, 1, 1, 0, 0]

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

print(cm)

输出结果为：

[[2 1]
 [1 2]]

混淆矩阵的行表示真实标签，列表示模型预测结果。对于二分类问题，通常有四个值：真正例（True Positive，TP）、假正例（False Positive，FP）、真反例（True Negative，TN）和假反例（False Negative，FN）。在上述示例中，混淆矩阵的解释如下：

[[2 1]
 [1 2]]

- 真正例（TP）：模型正确预测为正例的样本数，此处为2。
- 假正例（FP）：模型错误预测为正例的样本数，此处为1。
- 真反例（TN）：模型正确预测为反例的样本数，此处为2。
- 假反例（FN）：模型错误预测为反例的样本数，此处为1。

通过混淆矩阵，我们可以计算出一系列评估指标，如准确率、召回率、精确率等，以更全面地评估分类模型的性能。