Python 混淆矩阵FN和&；热图上的FP

我试图用python上的机器学习解决一个分类问题。本主题是关于使用信用数据集来预测某人的信用是好是坏。当一个人信用良好时，则为0，如果不是，则为1。我用LR创建了一个混乱矩阵。我不确定13是FN还是FP。谁能帮我澄清一下吗？ 这是他的混淆矩阵

---

让0成为你的积极班级有点奇怪。在任何情况下，你都需要翻转你的混淆矩阵。假设你的测试和预测是这样的

y_test = np.repeat([0,1,0,1],[128,34,13,25])
y_pred = np.repeat([0,0,1,1],[128,34,13,25])

我们总是做预测，实际：

from sklearn.metrics import confusion_matrix
import seaborn as sns
cfm = confusion_matrix(y_pred,y_test)
sns.heatmap(cfm,annot=True,cmap="Blues")

在这种情况下，我们继续使用零作为正类，它与图中的正类完全相同：

---

右上角为假阳性（34），左下角为假阴性。

这是假阳性我不确定为什么13是FP，你能解释一下为什么吗？哦，你的阳性等级是什么？0是阳性等级，0表示良好的信用度好，预计为阴性，但实际上为阳性。因此为假阴性。