在Python中，`confusion_matrix` 函数来自 `sklearn.metrics` 模块，它用于评估分类模型的性能。该函数返回一个混淆矩阵，这是一个用于展示模型预测结果与真实标签之间关系的矩阵。 ### 返回结果的含义 混淆矩阵用于评估分类模型性能，通过将模型对测试集的预测结果与真实标签比对，统计每个类别被正确和错误预测的数量，最终以矩阵形式呈现这些数据，可用于计算分类准确率、精确率、召回率和F1 - score等指标[^5]。 对于一个二分类问题，混淆矩阵通常是一个 2x2 的矩阵，其结构如下： | | 预测为负类 | 预测为正类 | | --- | --- | --- | | 真实为负类 | TN（真负类） | FP（假正类） | | 真实为正类 | FN（假负类） | TP（真正类） | - **TN（True Negative）**：真实为负类，模型也预测为负类的样本数量。 - **FP（False Positive）**：真实为负类，但模型预测为正类的样本数量。 - **FN（False Negative）**：真实为正类，但模型预测为负类的样本数量。 - **TP（True Positive）**：真实为正类，模型也预测为正类的样本数量。 对于多分类问题，混淆矩阵的维度会相应增加，矩阵的第 `i` 行第 `j` 列元素表示真实标签为第 `i` 类，而模型预测为第 `j` 类的样本数量。 ### 返回结果的格式 `confusion_matrix` 函数返回的是一个二维的 `numpy.ndarray` 对象。可以通过以下示例代码查看其格式： ```python from sklearn.metrics import confusion_matrix import numpy as np # 示例真实标签和预测标签 y_true = np.array([0, 1, 0, 1, 0]) y_pred = np.array([0, 1, 1, 0, 0]) # 计算混淆矩阵 cm = confusion_matrix(y_true, y_pred, labels=[0, 1]) print("混淆矩阵的类型:", type(cm)) print("混淆矩阵的格式:\n", cm) ``` 在上述代码中，`cm` 就是 `confusion_matrix` 函数返回的结果，它是一个 `numpy.ndarray` 类型的二维数组。