请举例说明一个confusion_matrix()函数的输出结果
时间: 2024-12-02 21:28:42 浏览: 14
confusion_matrix1.zip_confusion_matrix1_matlab混淆矩阵_混淆矩阵_混淆矩阵matl
混淆矩阵(Confusion Matrix)用于评估分类模型的性能,通过比较实际标签(True Label)与预测标签(Predicted Label),我们可以计算出四种基本情况:真正例(True Positive, TP)、假正例(False Positive, FP)、真负例(True Negative, TN)以及假负例(False Negative, FN)。这里以一个简单的例子来展示`confusion_matrix()`函数的使用。
假设我们有一个二分类任务,实际标签为[0, 1, 0, 1](代表两个类别,如疾病存在与否),模型预测的结果为[1, 1, 1, 0]。我们使用`sklearn.metrics.confusion_matrix`函数计算混淆矩阵:
```python
from sklearn.metrics import confusion_matrix
# 实际标签
y_true = [0, 1, 0, 1]
# 预测标签
y_pred = [1, 1, 1, 0]
# 计算混淆矩阵
tn, fp, fn, tp = confusion_matrix(y_true, y_pred).ravel()
print(f"True Negative (TN): {tn}")
print(f"False Positive (FP): {fp}")
print(f"False Negative (FN): {fn}")
print(f"True Positive (TP): {tp}")
# 运行结果可能会类似于:
# True Negative (TN): 1
# False Positive (FP): 2
# False Negative (FN): 1
# True Positive (TP): 1
```
这个矩阵会显示实际为0时预测为0的情况(TN),实际为1但预测为0的情况(FN),实际为1但预测为1的情况(TP),以及实际为0但预测为1的情况(FP)。这些数值有助于理解模型的精确性和召回率等性能指标。
阅读全文