python 用confusion_matrix 输出tn fp fn tp

可以使用sklearn.metrics模块中的confusion_matrix函数来输出tn, fp, fn, tp。

示例代码如下：

from sklearn.metrics import confusion_matrix

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

tn, fp, fn, tp = confusion_matrix(y_true, y_pred).ravel()

print('True Negative (TN):', tn)
print('False Positive (FP):', fp)
print('False Negative (FN):', fn)
print('True Positive (TP):', tp)

输出结果：

True Negative (TN): 2
False Positive (FP): 1
False Negative (FN): 2
True Positive (TP): 3

其中，y_true和y_pred分别是真实标签和预测标签，ravel()函数将输出的混淆矩阵展平为一维数组，然后用四个变量分别接收tn, fp, fn, tp。最后输出这四个变量即可。

相关问题

怎样用confusion_matrix输出FP样本个数

可以使用sklearn.metrics库中的confusion_matrix()函数来计算混淆矩阵，并从中获取FP样本个数。具体代码如下：

from sklearn.metrics import confusion_matrix

# 假设y_true和y_pred是真实标签和预测标签
tn, fp, fn, tp = confusion_matrix(y_true, y_pred).ravel()

# 输出FP样本个数
print("FP样本个数：", fp)

其中，confusion_matrix()函数返回一个4x4的混淆矩阵，分别代表True Negative（TN）、False Positive（FP）、False Negative（FN）和True Positive（TP）的个数。使用ravel()函数将混淆矩阵展开成一维数组，然后通过索引取出FP的个数即可。

用confusion_matrix计算性能

Confusion matrix是评估分类模型性能的一种方法。它是一个二维矩阵，其中行表示实际类别，列表示预测类别。在二分类问题中，confusion matrix如下所示：

| | 预测正类 | 预测负类 |
| :----------: | :----------: | :----------: |
| **实际正类** | TP | FN |
| **实际负类** | FP | TN |

其中，TP表示真正例（True Positive），即实际为正例且被模型预测为正例的样本数；FN表示假反例（False Negative），即实际为正例但被模型预测为负例的样本数；FP表示假正例（False Positive），即实际为负例但被模型预测为正例的样本数；TN表示真反例（True Negative），即实际为负例且被模型预测为负例的样本数。

通过confusion matrix，可以计算出一些性能指标，如准确率、召回率、精确率和F1值等。这些指标可以帮助我们更全面地评估分类模型的性能。

例如，准确率可以表示为：

$Accuracy = \frac{TP + TN}{TP + FP + FN + TN}$

召回率可以表示为：

$Recall = \frac{TP}{TP + FN}$

精确率可以表示为：

$Precision = \frac{TP}{TP + FP}$

F1值可以表示为：

$F1 = \frac{2 \times Precision \times Recall}{Precision + Recall}$

在实际应用中，我们可以使用Python中的sklearn.metrics库计算confusion matrix及其相关指标。例如，下面的代码演示了如何计算confusion matrix和准确率：

from sklearn.metrics import confusion_matrix, accuracy_score

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

cm = confusion_matrix(y_true, y_pred)
accuracy = accuracy_score(y_true, y_pred)

print("Confusion matrix:\n", cm)
print("Accuracy:", accuracy)

输出结果为：

Confusion matrix:
 [[3 1]
  [2 2]]
Accuracy: 0.625

其中，confusion matrix为：

| | 预测正类 | 预测负类 |
| :--: | :--: | :--: |
| 实际正类 | 3 | 1 |
| 实际负类 | 2 | 2 |

准确率为0.625。