二分类的混淆矩阵python

### 计算和展示二分类模型的混淆矩阵

在Python中处理二分类问题时，`sklearn.metrics.confusion_matrix` 函数提供了便捷的方法来计算混淆矩阵。此函数接收真实标签和预测标签作为输入参数，并返回一个二维数组形式的混淆矩阵[^1]。

为了更好地理解和可视化这些结果，可以利用 `matplotlib.pyplot` 和 `seaborn` 库中的热图功能来图形化显示混淆矩阵的内容。这不仅有助于直观理解数据分布情况，还便于向非技术人员解释模型性能[^2]。

下面是一个完整的例子，展示了如何加载数据集、训练逻辑回归模型以及创建并绘制混淆矩阵：

from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay
import matplotlib.pyplot as plt

# 创建模拟数据集
X, y = make_classification(n_samples=1000, n_features=20,
                           n_informative=2, n_redundant=10,
                           random_state=42)

# 划分训练集与测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 初始化并拟合逻辑回归模型
model = LogisticRegression()
model.fit(X_train, y_train)

# 预测类别
y_pred = model.predict(X_test)

# 构建混淆矩阵
cm = confusion_matrix(y_test, y_pred)

# 绘制混淆矩阵
disp = ConfusionMatrixDisplay(confusion_matrix=cm)
disp.plot(cmap="Blues")
plt.show()

通过上述代码片段可以看出，除了简单的数值表示外，还可以进一步分析由混淆矩阵衍生出来的其他重要评价指标，比如准确率 (Accuracy)、精确度 (Precision)、召回率 (Recall/Sensitivity)，F1分数等，这些都是衡量分类器表现的关键因素[^4]。