为什么我使用confusion_matrix获得的结果是高维数组

`confusion_matrix` 函数返回的结果是一个多维数组，其中每个元素表示实际类别和预测类别的组合数量。如果你的分类问题有多个类别，那么就会生成一个高维数组。例如，对于一个有三个类别的分类问题，`confusion_matrix` 函数返回一个 3x3 的矩阵。如果你的分类问题有更多的类别，那么它将返回一个更高维度的数组。

如果你想查看每个类别的分类报告，可以使用 `classification_report` 函数。它将返回每个类别的精确度、召回率、F1分数和支持数等指标。如果你的分类问题有多个类别，那么它将返回一个包含每个类别指标的字典。

以下是一个使用 `confusion_matrix` 和 `classification_report` 函数的例子：

from sklearn.metrics import confusion_matrix, classification_report
y_true = [0, 1, 2, 0, 1, 2]
y_pred = [0, 1, 1, 0, 2, 1]
cm = confusion_matrix(y_true, y_pred)
print(cm)

# 输出结果
# [[2 0 0]
#  [0 1 1]
#  [0 1 1]]

report = classification_report(y_true, y_pred)
print(report)

# 输出结果
#               precision    recall  f1-score   support
#
#            0       1.00      1.00      1.00         2
#            1       0.50      0.50      0.50         2
#            2       0.50      0.50      0.50         2
#
#     accuracy                           0.67         6
#    macro avg       0.67      0.67      0.67         6
# weighted avg       0.67      0.67      0.67         6

在上面的例子中，我们使用 `confusion_matrix` 函数计算了真实标签和预测标签的混淆矩阵。结果是一个 3x3 的矩阵，其中每个元素表示实际类别和预测类别的组合数量。我们还使用 `classification_report` 函数计算了每个类别的分类报告。结果显示了每个类别的精确度、召回率、F1分数和支持数等指标。