机器学习与深度学习 / 系统课时
理解混淆矩阵
理解混淆矩阵
学习目标
- 区分真正例、假正例、真反例和假反例
- 从混淆矩阵中读取分类错误类型
- 根据业务语义确定正类
先确定正类
混淆矩阵描述的是“真实标签”和“预测标签”的组合结果。计算前必须先确定哪个类别是正类。例如在疾病筛查中,通常把“患病”设为正类;在垃圾邮件识别中,通常把“垃圾邮件”设为正类。正类一旦改变,真正例、假正例、真反例和假反例的含义也会随之改变。
二分类混淆矩阵常按下面顺序理解:
| 真实情况 | 预测为正类 | 预测为负类 |
|---|---|---|
| 正类 | 真正例 TP | 假负例 FN |
| 负类 | 假正例 FP | 真反例 TN |
TP 和 TN 是预测正确的样本;FP 是把负类误判为正类,也叫误报;FN 是把正类漏判为负类,也叫漏报。
用一个固定样本计算
下面的示例把 1 作为正类。labels=[1, 0] 用来固定矩阵顺序,避免不同工具默认顺序造成误读。
python
from sklearn.metrics import confusion_matrix
y_true = [1, 1, 1, 0, 0, 0]
y_pred = [1, 0, 1, 1, 0, 0]
# 行表示真实标签,列表示预测标签
matrix = confusion_matrix(y_true, y_pred, labels=[1, 0])
print(matrix)
tp, fn = matrix[0]
fp, tn = matrix[1]
print(f"TP={tp}, FN={fn}, FP={fp}, TN={tn}")预期输出:
text
[[2 1]
[1 2]]
TP=2, FN=1, FP=1, TN=2这表示 3 个正类样本中有 2 个被正确识别、1 个被漏掉;3 个负类样本中有 1 个被误报、2 个被正确排除。
从错误类型回到业务
混淆矩阵本身没有告诉你哪种错误更严重。风控拦截中,FP 可能意味着正常用户被误拦;医疗筛查中,FN 可能意味着患者被漏诊。分析模型时不要只说“错了多少个”,还要说明错误落在哪个格子、对应什么业务后果。
多分类任务的混淆矩阵会扩展为多行多列。对角线表示预测正确,非对角线表示类别之间的混淆。此时重点观察样本量较大的非对角线单元格,并回查这些样本的特征和标签质量。
常见误读
最常见的错误是把行列含义记反,或在不同库之间直接套用同一解释。解决方法是始终打印标签顺序,并在图表标题或注释中写明“行=真实、列=预测”。另一个错误是只看绝对数量;当类别规模差异很大时,应同时查看按行归一化后的比例。
按自己的节奏,确认真正理解。