Sklearn 机器学习 数值指标 混淆矩阵confusion matrix

💖亲爱的技术爱好者们，热烈欢迎来到 Kant2048 的博客！我是 Thomas Kant，很开心能在CSDN上与你们相遇～💖

本博客的精华专栏：
【自动化测试】 【测试经验】 【人工智能】 【Python】

---

Sklearn 机器学习中的混淆矩阵与数值指标详解

在机器学习的分类任务中，仅仅依赖准确率（Accuracy）往往无法全面评估模型性能。特别是在类别不平衡的数据集中，一个高准确率的模型可能只是“看起来有效”。这时，我们需要更细粒度的评估方式，比如混淆矩阵（Confusion Matrix）及其衍生的精确率（Precision）、**召回率（Recall）和F1 值（F1 Score）**等指标。

本篇将带你深入理解 Sklearn 中的混淆矩阵及其常用性能指标，配合清晰代码和图示，帮你建立全面分类模型评估的思维。

---

📘 一、什么是混淆矩阵（Confusion Matrix）

混淆矩阵是用于可视化分类模型性能的矩阵工具，通过对比模型预测值和真实标签之间的关系，展示分类结果的具体情况。

二分类混淆矩阵结构：

实际 \ 预测	预测为正类（Positive）	预测为负类（Negative）
实际为正类	TP（True Positive）	FN（False Negative）
实际为负类	FP（False Positive）	TN（True Negative）

术语说明（含通俗解释）：

• TP（真正）：模型正确预测为正类的数量。
• TN（真负）：模型正确预测为负类的数量。
• FP（假正）：模型将负类误判为正类，例如将健康人误诊为病人。
• FN（假负）：模型将正类误判为负类，例如将病人漏诊为健康人。

---

🧮 二、Sklearn 中混淆矩阵的使用方法

Sklearn 提供了 confusion_matrix 函数，用于快速生成混淆矩阵。

示例代码：

from sklearn.metrics import confusion_matrixy_true = [1, 0, 1, 1, 0, 1, 0