python混淆矩阵代码

python
from sklearn.metrics import confusion_matrix
import numpy as np

# 示例的真实标签和预测标签
true_labels = np.array([0, 1, 0, 1, 1, 1, 0, 0, 1, 0])
predicted_labels = np.array([0, 1, 0, 1, 0, 1, 0, 1, 1, 0])

# 生成混淆矩阵
cm = confusion_matrix(true_labels, predicted_labels)

# 输出混淆矩阵
print("Confusion Matrix:")
print(cm)

在这个示例中，我们使用了 scikit-learn 库中的 confusion_matrix 函数来生成混淆矩阵。首先，我们需要提供真实标签和预测标签作为函数的输入。然后，函数会返回一个混淆矩阵。

除了示例中提到的混淆矩阵生成外，你可能还希望对混淆矩阵进行可视化或者进行更多的分析。

2. 混淆矩阵的评估指标

python
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

# 计算准确率
accuracy = accuracy_score(true_labels, predicted_labels)
print("Accuracy:", accuracy)

# 计算精确率
precision = precision_score(true_labels, predicted_labels)
print("Precision:", precision)

# 计算召回率
recall = recall_score(true_labels, predicted_labels)
print("Recall:", recall)

# 计算F1得分
f1 = f1_score(true_labels, predicted_labels)
print("F1 Score:", f1)

这些代码段计算了常见的分类评估指标，如准确率、精确率、召回率和 F1 分数。

3. 分类报告

python
from sklearn.metrics import classification_report

# 输出分类报告
print(classification_report(true_labels, predicted_labels))

classification_report 函数生成一个包含精确率、召回率、F1 分数和支持数量的文本报告。

这些操作可以帮助你更好地理解模型的性能，以及在不同类别上的表现如何。