0-1混淆矩阵的代码实现，其中TP=191,FN=85,FP=2,TN=3

如果已知TP（真正例）等于191，FN（假阴性）等于85，FP（假阳性）等于2，TN（真阴性）等于3，我们可以手动构建一个0-1混淆矩阵。在这种情况下，由于TP、FP、TN和FN都是整数，可以直接用字典或列表的形式表示：

conf_matrix = {
    '实际类别': ['真实阳性的(Positive)', '真实阴性的(Negative)'],
    '预测类别': ['预测阳性的(Positive)', '预测阴性的(Negative)'],
    '计数': [TP, FN, FP, TN]
}

# 将计数转为二维列表，方便展示
matrix_data = [[conf_matrix['计数'][i], conf_matrix['计数'][j]] for i, j in zip([1, 2], [0, 3])]

# 使用numpy或pandas展示矩阵
import numpy as np
conf_matrix_df = pd.DataFrame(matrix_data, index=['TP', 'FP'], columns=['实际阳性的(Positive)', '实际阴性的(Negative)'])
print(conf_matrix_df)

# 或者直接打印计数值
print("TP:", TP, "FN:", FN, "FP:", FP, "TN:", TN)

这将输出一个简单的文本形式的混淆矩阵以及每个值。

相关问题

0-1混淆矩阵的代码实现

0-1混淆矩阵，也称为精确率召回率矩阵或对角线矩阵，用于评估分类模型的性能，特别关注真正例（True Positives, TP）、假正例（False Positives, FP）、真负例（True Negatives, TN）和假负例（False Negatives, FN）。以下是一个简单的Python代码示例，使用pandas库来创建和显示混淆矩阵：

import pandas as pd

# 假设我们有实际类别（y_true）和预测类别（y_pred）的数据
y_true = [1, 0, 0, 1, 1]  # 实际标签
y_pred = [1, 0, 1, 1, 0]  # 预测结果

# 计算混淆矩阵
conf_matrix = pd.crosstab(y_true, y_pred, rownames=['Actual'], colnames=['Predicted'])

print(conf_matrix)

运行上述代码后，你会得到类似这样的矩阵：

Predicted
0      1
Actual  
0      FP  TN
1   FN  TP

其中`FP`、`FN`、`TP`和`TN`分别代表了混淆矩阵中的数值。

混淆矩阵中的tp=16,fp=12,fn=8,tn=4，准确率，召回率精确率是怎么算的

准确率 = (tp + tn) / (tp + fp + fn + tn) = (16 + 4) / (16 + 12 + 8 + 4) = 20 / 40 = 0.5
召回率 = tp / (tp + fn) = 16 / (16 + 8) = 0.667
精确率 = tp / (tp + fp) = 16 / (16 + 12) = 0.57