sklearn.metrics.confusion_matrix?
sklearn.metrics.confusion_matrix(y_true, y_pred, *, labels=None, sample_weight=None, normalize=None)
計算混淆矩陣以評估分類的準確性。
根據定義，混淆矩陣使得等于已知在第i組中并且預計在第j組中的觀測次數。
因此，在二元分類中，真負例的計數為，假負例的計數為，真正例的計數為，假正例的計數為。
在用戶指南中閱讀更多內容。
| 參數 | 說明 |
|---|---|
| y_true | array-like of shape (n_samples,) 真實目標值。 |
| y_pred | array-like of shape (n_samples,) 分類器返回的估計目標。 |
| labels | array-like of shape (n_classes), default=None 索引矩陣的標簽列表。可用于重新排序或選擇標簽的子集。如果指定None，則那些在y_true或y_pred中至少出現一次的標簽將按照排序使用。 |
| sample_weight | array-like of shape (n_samples,), default=None 樣本權重。 版本0.18中的新功能。 |
| normalize | {‘true’, ‘pred’, ‘all’}, default=None 對真實（行），預測（列）條件或所有總體的混淆矩陣進行歸一化。 如果為None，則不會對混淆矩陣進行歸一化。 |
| 返回值 | 說明 |
|---|---|
| C | ndarray of shape (n_classes, n_classes) 混淆矩陣，其第i行和第j列條目指示真實標簽為第i類且預測標簽為第j類的樣本數。 |
參考
1 Wikipedia entry for the Confusion matrix (Wikipedia and other references may use a different convention for axes)
示例
>>> from sklearn.metrics import confusion_matrix
>>> y_true = [2, 0, 2, 2, 0, 1]
>>> y_pred = [0, 0, 2, 2, 0, 2]
>>> confusion_matrix(y_true, y_pred)
array([[2, 0, 0],
[0, 0, 1],
[1, 0, 2]])
>>> y_true = ["cat", "ant", "cat", "cat", "ant", "bird"]
>>> y_pred = ["ant", "ant", "cat", "cat", "ant", "cat"]
>>> confusion_matrix(y_true, y_pred, labels=["ant", "bird", "cat"])
array([[2, 0, 0],
[0, 0, 1],
[1, 0, 2]])
在二進制情況下，我們可以提取真實的正例，如下所示：
>>> tn, fp, fn, tp = confusion_matrix([0, 1, 0, 1], [1, 1, 1, 0]).ravel()
>>> (tn, fp, fn, tp)
(0, 2, 1, 1)
