请举例说明一个confusion_matrix()函数的输出结果

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：

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。