机器学习进阶文档深度页
混淆矩阵
按真实类别与预测类别统计正确、误报和漏报，是分类错误分析的基础。
学习前需要掌握
分类内容待补充
背景与问题
单一准确率无法告诉模型错在哪里，也无法表达不同错误代价。
概念定义
二分类包含 TP、FP、FN、TN；多分类主对角线是正确预测，非对角线显示具体混淆方向。
直观理解
把每个真实类别的答案流向各预测类别，错误方向一目了然。
核心原理
必须明确正类定义和行列约定；同时报告原始数量、归一化比例和每类 support。
数学表达
核心表达
必须明确正类定义和行列约定；同时报告原始数量、归一化比例和每类 support。
变量含义
变量定义与本页概念定义一致，代码中的同名变量保持相同语义。
计算步骤
- 1产生独立预测
- 2固定标签顺序
- 3计算矩阵
- 4查看对角/非对角
代码对应位置
示例 1混淆矩阵 示例：对应文档中的可靠评价或训练流程。
计算与实现步骤
- 1
产生独立预测
- 2
固定标签顺序
- 3
计算矩阵
- 4
查看对角/非对角
- 5
按类归一化
- 6
回查错误样本
代码实现
示例 1
混淆矩阵 示例
混淆矩阵 示例
scikit-learn
example_01.py用途：对应文档中的可靠评价或训练流程。
from sklearn.metrics import ConfusionMatrixDisplay
ConfusionMatrixDisplay.from_predictions(y_test,y_pred,normalize=None)代码解析
解析始终位于完整代码下方，并按实际代码段逐项对应。
输入数据与任务
对应文档中的可靠评价或训练流程。
y_test- 与 X_test 对齐的测试目标。
y_pred- 模型对输入产生的预测结果。
Step 1 · 1–2 行
导入当前步骤需要的数值计算、预处理、模型或评价工具。依赖集中写在代码开头，便于复现。
from sklearn.metrics import ConfusionMatrixDisplay
ConfusionMatrixDisplay.from_predictions(y_test,y_pred,normalize=None)预期输出或运行结果
生成完整类别顺序的混淆矩阵图。
常见错误 · 3 条
- 行列含义搞反
- 不显示样本量
- 用训练预测绘图
实际应用
- 分类评价
- 错误分析
常见错误
行列含义搞反
不显示样本量
用训练预测绘图
文档来源
07｜模型评估与调参原始文档
学习资料/learning_tech/07_evaluation_tuning.md- §4 混淆矩阵
推荐学习资料
暂未收录相关资料
参考库不会生成虚假资源或无效外部链接。