手册

Python 文件处理

文件打开文件读取文件写入/创建文件删除

Python 模块

NumPy 教程 Pandas 教程 SciPy 教程

Python Matplotlib

简介入门 Pyplot 绘图标记线条标签网格子图散点图条形图直方图饼图

Python NumPy

简介入门数组创建数组索引数组裁切数据类型副本/视图数组形状数组重塑数组迭代数组连接数组拆分数组搜索数组排序数组过滤随机 ufuncs

Python MySQL

入门 Create Database Create Table Insert Select Where Order By Delete Drop Table Update Limit Join

Python MongoDB

入门创建数据库创建集合 Insert Find Query Sort Delete 删除集合 Update Limit

Python 参考手册

参考概览内建函数字符串方法列表方法字典方法元组方法集合方法文件方法关键字异常术语表

Python 模块参考手册

随机模块请求模块统计模块数学模块复数数学模块

Python How To

删除列表重复项反转字符串两数相加

首页后端开发 Python Python 教程

混淆矩阵

阅读969

更新时间2025-08-06

决策树

层次聚类

什么是混淆矩阵（confusion matrix）？

它是一个表格，用于分类问题中评估模型中的错误发生在哪里。

行代表实际结果应该有的类别。而列代表了我们所做的预测。使用这个表，我们可以很容易地看出哪些预测是错误的。

创建混淆矩阵

混淆矩阵可以通过逻辑回归做出的预测来创建。

现在，我们将使用 NumPy 生成实际值和预测值：

import numpy

接下来，我们需要为 "actual" 和 "predicted" 值生成数字。

actual = numpy.random.binomial(1, 0.9, size = 1000)
predicted = numpy.random.binomial(1, 0.9, size = 1000)

为了创建混淆矩阵，我们需要从 sklearn 模块中导入 metrics。

from sklearn import metrics

导入 metrics 后，我们可以在实际值和预测值上使用混淆矩阵函数。

confusion_matrix = metrics.confusion_matrix(actual, predicted)

为了创建一个更易理解的可视化展示，我们需要将表格转换为混淆矩阵展示。

cm_display = metrics.ConfusionMatrixDisplay(confusion_matrix = confusion_matrix, display_labels = [0, 1])

可视化展示需要我们从 matplotlib 中导入 pyplot。

import matplotlib.pyplot as plt

最后，为了展示图表，我们可以使用 pyplot 中的 plot() 和 show() 函数。

cm_display.plot()
plt.show()

查看整个实例的实际运行效果：

实例

import matplotlib.pyplot as plt
import numpy
from sklearn import metrics

actual = numpy.random.binomial(1,.9,size = 1000)
predicted = numpy.random.binomial(1,.9,size = 1000)

confusion_matrix = metrics.confusion_matrix(actual, predicted)

cm_display = metrics.ConfusionMatrixDisplay(confusion_matrix = confusion_matrix, display_labels = [0, 1])

cm_display.plot()
plt.show()

运行实例 »

点击 "运行实例" 按钮查看在线实例

结果：

结果解释

创建的混淆矩阵有四个不同的象限：

True Negative 真正（左上角象限）
False Positive 真负（右上角象限）
False Negative 假正（左下角象限）
True Positive 假负（右下角象限）

True 意味着值被准确地预测了，False 意味着存在错误或错误的预测。

现在我们已经创建了一个混淆矩阵，我们可以计算不同的度量来量化模型的质量。首先，让我们看看准确性。

创建的度量标准

矩阵为我们提供了许多有用的度量标准，帮助我们评估分类模型。

不同的度量标准包括：准确性、精确度、敏感性（召回率）、特异性和 F 分数，下面将进行解释。

准确性

准确性衡量模型正确的频率。

如何计算

(True Positive + True Negative) / Total Predictions

中文译为：(真正例 + 真反例) / 总预测数

实例

Accuracy = metrics.accuracy_score(actual, predicted)

运行实例 »

点击 "运行实例" 按钮查看在线实例

精确度

在预测为正的结果中，真正为正的比例是多少？

如何计算

True Positive / (True Positive + False Positive)

中文译为：真正例 / (真正例 + 假正例)

精确度不评估正确预测的反例：

实例

Precision = metrics.precision_score(actual, predicted)

运行实例 »

点击 "运行实例" 按钮查看在线实例

敏感性（召回率）

在所有正例中，预测为正的比例是多少？

敏感性（有时称为召回率）衡量模型在预测正例方面的表现如何。

这意味着它查看真正例和假反例（即被错误预测为反例的正例）。

如何计算

True Positive / (True Positive + False Negative)

中文译为：真正例 / (真正例 + 假反例)

敏感性对于理解模型预测正例的能力很有用：

实例

Sensitivity_recall = metrics.recall_score(actual, predicted)

运行实例 »

点击 "运行实例" 按钮查看在线实例

特异性

模型在预测反例方面的表现如何？

特异性与敏感性相似，但它是从反例的角度来看的。

如何计算

True Negative / (True Negative + False Positive)

中文译为：真反例 / (真反例 + 假正例)

因为它是召回率的相反概念，所以我们使用 recall_score 函数，采用相反的位置标签：

实例

Specificity = metrics.recall_score(actual, predicted, pos_label=0)

运行实例 »

点击 "运行实例" 按钮查看在线实例

F-分数

F 分数是精确度和敏感性的“调和平均数”。

它同时考虑了假正例和假反例，并且对于不平衡的数据集很有用。

如何计算

2 * ((Precision * Sensitivity) / (Precision + Sensitivity))

中文译为：2 * ((精确度 * 敏感性) / (精确度 + 敏感性))

这个分数没有考虑真反例的值：

实例

F1_score = metrics.f1_score(actual, predicted)

运行实例 »

点击 "运行实例" 按钮查看在线实例

所有计算合在一起：

实例

# 度量标准
print({"准确性":Accuracy,"精确度":Precision,"敏感性_召回率":Sensitivity_recall,"特异性":Specificity,"F1分数":F1_score})

运行实例 »

点击 "运行实例" 按钮查看在线实例

决策树

层次聚类