在 sklearn.metrics.confusion_matrix 中哪个类标签被认为是负面的？

Posted 2023-03-12

【中文标题】在 sklearn.metrics.confusion_matrix 中哪个类标签被认为是负面的？

【英文标题】：Which class label is considered negative in sklearn.metrics.confusion_matrix?

【发布时间】：2019-05-13 20:58:40

【问题描述】：

我知道我们可以用一个列表来表示顺序：

tn, fp, fn, tp = confusion_matrix([0, 1, 0, 1], [1, 1, 1, 0], labels=[0,1]).ravel()

但矩阵元素的含义取决于两个假设：

行或列是否被视为 ACTUAL（或 PREDICTED）标签。 0 或1 被假定为正（或负）类。 the docstring 中没有直接提及。

---

这个问题已经被问过here，但我想我在这里问的是混淆的根源，而不是一般意义上的混淆。问题不在于如何解释混淆矩阵，而在于如何将特定类别设置为正面或负面。

【问题讨论】：

Scikit-learn confusion matrix的可能重复

我在发布问题之前注意到了这一点，但我认为更中肯的问题可能会有所帮助。

【参考方案1】：

简答 在二元分类中，使用参数labels时，

confusion_matrix([0, 1, 0, 1], [1, 1, 1, 0], labels=[0,1]).ravel()

类标签0 和1 分别被视为Negative 和Positive。这是由于列表隐含的顺序，而不是字母数字顺序。

---

验证： 考虑这样的不平衡类标签：（使用不平衡类使区分更容易）

>>> y_true = [0,0,0,1,0,0,0,0,0,1,0,0,1,0,0,0]
>>> y_pred = [0,0,0,0,0,0,0,0,0,1,0,0,0,1,0,0]
>>> table = confusion_matrix(y_true, y_pred, labeels=[0,1]).reval()

这会给你一个混淆表如下：

>>> table
array([12,  1,  2,  1])

对应于：

              Actual
        |   1   |   0  |
     ___________________
pred  1 |  TP=1 | FP=1 |
      0 |  FN=2 | TN=12|

其中FN=2 表示模型预测样本为负（即0）但实际标签为正（即1）的两种情况，因此假负等于2。

TN=12 类似，在 12 种情况下，模型正确预测了负类 (0)，因此 True Negative 等于 12。

这样一来，假设sklearn 将第一个标签（在labels=[0,1] 中作为否定类）考虑在内，所有内容都会相加。因此，这里的第一个标签0 代表否定类。