Python 为什么我的混淆矩阵只返回一个数字？

我在做二元分类。每当我的预测等于基本事实时，我都会找到

sklearn.metrics.conflusion\u matrix

以返回单个值。没有问题吗

from sklearn.metrics import confusion_matrix
print(confusion_matrix([True, True], [True, True])
# [[2]]

我希望有这样的情况：

[[2 0]
 [0 0]]

---

解决方案：如果您想要获得所需的输出，您应该填写

标签=[True，False]

：

from sklearn.metrics import confusion_matrix

cm = confusion_matrix(y_true=[True, True], y_pred=[True, True], labels=[True, False])
print(cm)

# [[2 0]
#  [0 0]]

说明： 从中，

混淆矩阵（y\u true，y\u pred）

的输出为：

C：形状的排列（n_类，n_类）

变量

n_classes

为：

• 猜测为

  y\u true

  或

  y\u pred

• 取自可选参数的长度

  标签

---

在您的情况下，因为您没有填写

标签

，所以变量

n_classes

是根据

[True，True]

中的唯一值的数量猜测出来的，即1。结果就是这样。

解决方案：如果您想要获得所需的输出，您应该填写

标签=[True，False]

：

from sklearn.metrics import confusion_matrix

cm = confusion_matrix(y_true=[True, True], y_pred=[True, True], labels=[True, False])
print(cm)

# [[2 0]
#  [0 0]]

说明： 从中，

混淆矩阵（y\u true，y\u pred）

的输出为：

C：形状的排列（n_类，n_类）

变量

n_classes

为：

• 猜测为

  y\u true

  或

  y\u pred

• 取自可选参数的长度

  标签

---

在您的情况下，因为您没有填写

标签

，所以变量

n_classes

是根据

[True，True]

中的唯一值的数量猜测出来的，即1。结果就是这样。

因为您没有指定标签，所以得到了1个数字。我认为这段代码将帮助你获得真正的正面，真正的负面，进动，回忆，f1分数等

代码

from sklearn import metrics

A     = [True, True]
B     = [True, True]
label = [True, False] 


# True positives and False Negatives
cm = metrics.confusion_matrix(y_true=A, y_pred=B, labels=label)
print(cm)

# Report (f1-score, precesion, recall, support)
report = metrics.classification_report([True, False], [False, True], digits=3,output_dict=True)
df = pd.DataFrame(report).transpose()
df

结果

[[2 0]
 [0 0]]

---

由于未指定标签，您将获得1个数字。我认为这段代码将帮助你获得真正的正面，真正的负面，进动，回忆，f1分数等

代码

from sklearn import metrics

A     = [True, True]
B     = [True, True]
label = [True, False] 


# True positives and False Negatives
cm = metrics.confusion_matrix(y_true=A, y_pred=B, labels=label)
print(cm)

# Report (f1-score, precesion, recall, support)
report = metrics.classification_report([True, False], [False, True], digits=3,output_dict=True)
df = pd.DataFrame(report).transpose()
df

结果

[[2 0]
 [0 0]]

---

这是我先前发布的答案的明显重复，显然我在那里也投了反对票。尽可能不公平？耶！我接受了你的答案，并对其进行了修改，以获取更多信息。我投你一票！但你所补充的并不是问题所要求的。这是我先前发布的答案的明显重复，显然我在那里也投了反对票。尽可能不公平？耶！我接受了你的答案，并对其进行了修改，以获取更多信息。我投你一票！但你补充的并不是问题所要求的。