利用python-sklearn confusion_matrix计算混淆矩阵需要注意的地方

最新推荐文章于 2025-03-13 12:05:44 发布

zhangxiaohua18

最新推荐文章于 2025-03-13 12:05:44 发布

阅读量3.7k

点赞数 3

分类专栏： SAR图像遥感图像处理微波遥感文章标签： python 矩阵 sklearn

本文链接：https://blog.youkuaiyun.com/zhangxiaohua18/article/details/122311808

版权

本文介绍了使用Python的sklearn库计算混淆矩阵时应注意的事项，包括避免使用小数作为类别、将输入数据转为一维数组以及理解confusion_matrix函数中参数的行列对应关系。通过实例说明了这些关键点，确保准确计算和解读分类结果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

前言

混淆矩阵的计算是有必要的。不论是分类，分割。亦或是类别与类别之间的对照。在这里我举一个例子，我现在有大气气温我将其分为低，中，高三组，还有地表温度我也将其分为低，中，高三组。我现在就想看看是不是低的地温会导致低的地温，高的气温会导致高的地温。那么这种情况下的计算，也可能需要使用混淆矩阵。

python计算混淆矩阵
可以使用下面的函数：

from sklearn.metrics import confusion_matrix
y_true = [0, 2, 0, 1]
y_pred = [1, 2, 1, 0]
confusion_matrix(y_true, y_pred)

这里要注意两件事，

比如说你定义类别是0,1,2可以计算，你甚至定义0.0,1.0,2.0这样的也能计算，他也会当做0,1,2这样去计算。但是一旦当你的类别中出现了0.1,0.2这种不能直接换为整数的浮点数，那就报错了。
定义类别为0.0, 2.0, 0.0, 1.0这样的能直接转换为整数的小数，不会报错。

>>> y_true = [0.0, 2.0, 0.0, 1.0]
>>> y_pred = [1, 2, 1, 0]
>>> confusion_matrix(y_true, y_pred)
array([[0, 2, 0],