混淆矩阵是评估分类模型性能的工具，通过sklearn的confusion_matrix()函数比较真实与预测标签。对于二分类，它输出包含TP、FP、TN、FN的2x2矩阵；多分类则生成NxN矩阵，行表示真实类别，列表示预测类别，直观展示模型分类效果。
在Python中，confusion_matrix() 是一个用于评估分类模型性能的函数，来自 scikit-learn 库（即 sklearn）。它通过比较真实标签和预测标签，生成一个矩阵，帮助我们直观地看出模型的分类效果。
什么是混淆矩阵？
混淆矩阵（Confusion Matrix）是一个表格，用来描述分类模型在测试数据上的表现。对于二分类问题，它包含四个关键结果：
- TP（True Positive）：实际为正类，预测也为正类
- FP（False Positive）：实际为负类，预测为正类
- TN（True Negative）：实际为负类，预测也为负类
- FN（False Negative）：实际为正类，预测为负类
如何使用 confusion_matrix()？
你可以通过以下方式调用这个函数：
from sklearn.metrics import confusion_matrix示例数据
y_true = [1, 0, 1, 1, 0, 1] # 真实标签 y_pred = [1, 0, 0, 1, 0, 1] # 模型预测标签
生成混淆矩阵
cm = confusion_matrix(y_true, y_pred) print(cm)
输出结果是一个二维数组：
立即学习“Python免费学习笔记（深入）”；
其中：
- cm[0][0]：TN（真实0，预测0）
- cm[0][1]：FP（真实0，预测1）
- cm[1][0]：FN（真实1，预测0）
- cm[1][1]：TP（真实1，预测1）
多分类情况下的使用
confusion_matrix() 同样适用于多分类任务。例如有三个类别（0, 1, 2），输出将是一个 3x3 的矩阵，每一行代表真实类别，每一列代表预测类别。
基本上就这些。这个函数不复杂但非常实用，是分析分类模型错误类型的基础工具。
