Sklearn 机器学习 IRIS数据 理解混淆矩阵

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

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 IRIS 数据集：理解混淆矩阵的实战指南

机器学习模型做完分类后，我们经常会看到“准确率”、“召回率”或“F1 值”等指标，而这些指标的计算都基于一个关键的工具 —— 混淆矩阵（Confusion Matrix）。

本文以经典的 IRIS 鸢尾花数据集为例，结合 sklearn 框架，通过完整代码演示如何训练模型并输出混淆矩阵，深入理解其中每个数值的含义及其背后对模型表现的揭示力。

---

📘 一、IRIS 数据集简介

IRIS 数据集是机器学习中最常用的多分类示例，包含三类鸢尾花（Setosa、Versicolor、Virginica），每类 50 条样本，共 150 条数据。

每条数据包含以下特征（单位为 cm）：

• 萼片长度（sepal length）
• 萼片宽度（sepal width）
• 花瓣长度（petal length）
• 花瓣宽度（petal width）

目标是根据这 4 个特征预测花的类别。

---

🛠️ 二、训练模型并生成预测结果

我们使用 sklearn 提供的逻辑回归模型来分类 IRIS 数据，并输出预测结果。

from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import