Confusion Matrix with sklearn

混淆矩阵（Confusion Matrix）是一种用于评估分类模型性能的常用工具，它将分类器的预测结果与真实标签进行比较，并将结果分为四类：真正例（True Positive）、真反例（True Negative）、假正例（False Positive）和假反例（False Negative）。在sklearn中，可以使用confusion_matrix函数来计算混淆矩阵。下面是一个示例代码：

from sklearn.metrics import confusion_matrix
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression

# 生成一个分类数据集
X, y = make_classification(n_samples=100, n_features=10, n_classes=2)

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)

# 训练逻辑回归模型
model = LogisticRegression()
model.fit(X_train, y_train)

# 对测试集进行预测
y_pred = model.predict(X_test)

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

print("Confusion Matrix:\n", cm)

在上面的代码中，首先使用make_classification函数生成一个二分类数据集，然后将数据集分为训练集和测试集。接着，使用LogisticRegression类构建逻辑回归模型，并调用fit方法对模型进行训练。然后，使用predict方法对测试集进行预测，并使用confusion_matrix函数计算混淆矩阵。最后，将混淆矩阵打印出来，以评估模型的性能。需要注意的是，对于多分类模型而言，混淆矩阵的计算方式略有不同，通常需要使用one-vs-all的方法进行计算。