大型网站建站公司福州短视频seo

目录

一、混淆矩阵到底是干嘛的？

二、场景示例1

2.1 场景预设

2.2 预测结果的混淆矩阵长什么样？

2.3 如何解读？

2.4 例子：猫总被预测成狗怎么办？

三、场景示例2 

四、混淆矩阵的作用

五、混淆矩阵的进阶作用

六、混淆矩阵是怎么得出来的？

6.1 举个最简单的例子：二分类任务

6.2 得出：混淆矩阵（2x2）

七、 多分类混淆矩阵怎么得出？

八、代码示例

8.1 安装依赖

8.2 代码示例1

8.3 代码示例2（可视化热力图）

✅ 总结一句话记住

---

一、混淆矩阵到底是干嘛的？

混淆矩阵就是把预测结果 vs 真实标签交叉对比，然后用一个矩阵（或热力图）显示每种预测结果的数量，让你能精确看到模型在哪些类别上预测对了，哪里搞错了。

---

二、场景示例1

2.1 场景预设

你在做图像识别任务，分为3类

类别索引	实际含义
0	猫 🐱
1	狗 🐶
2	鸟 🐦

---

2.2 预测结果的混淆矩阵长什么样？

我们看一个实际例子矩阵（真实 vs 预测）：

实际/预测	猫(0)	狗(1)	鸟(2)
猫(0)	50	10	0
狗(1)	5	40	5
鸟(2)	0	8	42

---

2.3 如何解读？

• 对角线的值（加粗的）：

  • 表示预测完全正确的数量

  • 猫预测成猫 = 50，狗预测成狗 = 40，鸟预测成鸟 = 42

  • 👉 对角线越大越好，说明模型越准确

• 非对角线的值（混淆错误）：

  • 猫预测成狗 = 10 → 猫被误判为狗 🐱→🐶

  • 狗预测成猫 = 5，狗预测成鸟 = 5 → 狗被混淆了

  • 鸟预测成狗 = 8 → 鸟也被误判为狗 🐦→🐶

---

2.4 例子：猫总被预测成狗怎么办？

 你说得对：如果模型总把猫当狗，你会在这个格子看到大值：

[猫行][狗列] = 猫被预测成狗

用上面矩阵就是：

实际是猫，预测是狗 → 值是 10

🔥 说明问题：

• 模型对“猫”的特征学习不好，容易混淆成“狗”

• 或者猫和狗在数据中长得太像（比如都是短毛动物）

• 可以考虑：增加“猫”的数据量、做数据增强、加强“猫狗区分特征”的提取

---

2.5 行和 vs 列和的意义

• 每一行的总和 = 某类的真实样本数

  • 比如第一行总和 50+10+0 = 60 → 实际有 60 张猫图

• 每一列的总和 = 预测成该类的样本数

  • 比如“狗”列总和 10+40+8 = 58 → 有 58 张图被预测成狗

👉 你可以看到哪些类总是“被预测得太多”或“被预测得太少”，从而发现模型是否对某些类有偏向性

---

三、场景示例2 

你做一个情感分类模型，分为：

• 正面 😃

• 中性 😐

• 负面 😠

现在模型结果混淆矩阵是：

实际 \ 预测	正面 😃	中性 😐	负面 😠
正面 😃	50	30	20
中性 😐	10	70	20
负面 😠	5	10	85

我们能看到：

• 总体准确率 = (50+70+85)/300 ≈ 68.3%

• 正面被混成中性 + 负面：很多用户的高兴情绪没识别出来 → Recall 低

• 中性预测得还行，但也有不少误判 → 精确率、召回率都一般

• 负面识别得最好 → 模型对“生气”最敏感

---

四、混淆矩阵的作用

看模型“预测对了多少、错在哪儿”

就像一份“考试成绩单”，不仅告诉你考了多少分（整体准确率），还告诉你具体哪道题错了，错得有多严重。

作用类型	用途说明
定位错误	哪类被误判最多？被谁误判最多？
分析偏向	模型是不是更倾向预测某一类？
样本不均衡分析	某些类预测差是不是因为样本太少？
指导调优方向	哪些类需增强区分度或数据量？

---

五、混淆矩阵的进阶作用

帮助你发现“模型的错误类型”和“模型的偏好”

它不只是“对 or 错”的统计，而是：

功能	解释	例子
🎯 定位误判方向	看清哪些类被混淆	模型总把“猫”判成“狗” → 猫行狗列的值高
⚖️ 揭示类别偏向	哪类总是被预测太多或太少	所有类都被预测成“狗” → 狗列总和特别大
📊 分析样本问题	是否某类样本太少→模型表现差	鸟的预测全错，实际样本只有 10 个
🧠 指导改进方向	哪些类该补数据、调模型、增强特征	鸟总被混为猫 → 增加鸟的角度图、改模型结构

---

六、混淆矩阵是怎么得出来的？

6.1 举个最简单的例子：二分类任务

比如你在做“垃圾邮件检测”，模型要判断一封邮件是：

• 正类（1）：垃圾邮件

• 负类（0）：正常邮件

你有一个测试集，共有 10 条邮件，模型的预测结果和真实结果如下：

样本编号	实际标签	模型预测
1	1	1
2	0	0
3	1	1
4	1	0 ❌（漏掉垃圾邮件）
5	0	0
6	1	1
7	0	1 ❌（误判正常为垃圾）
8	0	0
9	1	1
10	0	0

 我们统计一下四个关键数量：

类别	定义	从上面例子中有哪些？	数量
TP（真正例）	实际是垃圾，预测也是垃圾	样本 1、3、6、9	4
TN（真负例）	实际是正常，预测也是正常	样本 2、5、8、10	4
FP（假正例）	实际是正常，被误判为垃圾	样本 7	1
FN（假负例）	实际是垃圾，被误判为正常	样本 4	1

---

6.2 得出：混淆矩阵（2x2）

实际 \ 预测	垃圾（1）	正常（0）
垃圾（1）	4 (TP)	1 (FN)
正常（0）	1 (FP)	4 (TN)

---

七、 多分类混淆矩阵怎么得出？

比如你有 3 类情感标签：

• 0：正面

• 1：中性

• 2：负面

你测试集中有如下 5 条样本：

样本	实际标签	预测标签
1	0	0 ✅
2	1	1 ✅
3	0	2 ❌
4	2	1 ❌
5	1	0 ❌

我们把实际标签作为“行”，预测标签作为“列”来构造混淆矩阵：

实际\预测	0 (正面)	1 (中性)	2 (负面)
0 (正面)	1	0	1
1 (中性)	1	1	0
2 (负面)	0	1	0

解释：

• 对角线（预测正确）有两个：样本 1 和样本 2

• 样本 3 是“正面 → 预测为负面”，对应位置是第 0 行第 2 列

• 样本 4 是“负面 → 预测为中性”，对应位置是第 2 行第 1 列

• 样本 5 是“中性 → 预测为正面”，对应位置是第 1 行第 0 列

---

八、代码示例

8.1 安装依赖

pip install scikit-learn seaborn matplotlib

---

8.2 代码示例1

代码说明

---

这段代码的作用是：

计算混淆矩阵：也就是模型预测 vs 实际标签的“对错统计表”

y_true = [0, 1, 0, 2, 1]  # 真实标签
y_pred = [0, 1, 2, 1, 0]  # 模型预测

这两个列表按顺序一一对应，意思是：

样本编号	实际标签（y_true）	模型预测（y_pred）	是否预测正确
1	0	0	✅ 正确
2	1	1	✅ 正确
3	0	2	❌ 错了
4	2	1	❌ 错了
5	1	0	❌ 错了

计算输出的混淆矩阵 cm 是：

[[1 0 1][1 1 0][0 1 0]]

from sklearn.metrics import confusion_matrixy_true = [0, 1, 0, 2, 1]  # 真实标签
y_pred = [0, 1, 2, 1, 0]  # 模型预测cm = confusion_matrix(y_true, y_pred)
print(cm)

【运行结果】

[[1 0 1][1 1 0][0 1 0]]

输出会是一个 3x3 的二维数组（因为有 3 个分类标签 0/1/2）

【运行结果解读】

这是一个 3×3 的矩阵，表示的是：

• 横轴：预测值（Predicted）

• 纵轴：真实值（True）

---

实际\预测	0	1	2
0	1	0	1
1	1	1	0
2	0	1	0

🧠 解读每个数字的意思：

• [0, 0] = 1 → 有 1 个样本是 0，预测对了（预测也是 0）

• [0, 2] = 1 → 有 1 个样本是 0，预测错成 2

• [1, 0] = 1 → 有 1 个样本是 1，预测错成 0

• [1, 1] = 1 → 有 1 个样本是 1，预测对了

• [2, 1] = 1 → 有 1 个样本是 2，预测错成 1

---

✅ 总结一下：

这段代码告诉你：

• 模型预测对了两条（[0→0] 和 [1→1]）

• 预测错了三条：

  • 把 0 判成了 2

  • 把 1 判成了 0

  • 把 2 判成了 1

• 总体准确率：2 / 5 = 40%

---

8.3 代码示例2（可视化热力图）

代码说明

---

这段代码：

1. 构造了一个混淆矩阵（confusion_matrix(y_true, y_pred)）
   ➤ 用于对比真实标签和模型预测，统计“预测对/错”情况。

2. 用 Seaborn 的热力图函数 sns.heatmap 可视化混淆矩阵
   ➤ 把抽象的数字统计图，变成更直观的“颜色格子图”。

3. 最终展示图中：

   • 横轴是预测标签（Predicted）

   • 纵轴是真实标签（True）

   • 每个格子的数值表示：“实际是 A，被预测为 B 的样本数量”

【执行代码】

import seaborn as sns
import matplotlib.pyplot as plt
from sklearn.metrics import confusion_matrixy_true = [0, 1, 0, 2, 1]
y_pred = [0, 1, 2, 1, 0]cm = confusion_matrix(y_true, y_pred)sns.heatmap(cm, annot=True, cmap='Blues', xticklabels=[0,1,2], yticklabels=[0,1,2])
plt.xlabel('Predicted')
plt.ylabel('Actual')
plt.title('Confusion Matrix')
plt.show()

【运行结果】

【输出结果解析】

【 输出的混淆矩阵是啥意思？】

给的标签是：

y_true = [0, 1, 0, 2, 1]
y_pred = [0, 1, 2, 1, 0]

→ 用这两个列表生成的混淆矩阵是：

实际 \ 预测	0	1	2
0	1	0	1
1	1	1	0
2	0	1	0

解释如下：

• [0, 0] = 1：有 1 个样本实际是 0，预测也是 0（预测对了 ✅）

• [0, 2] = 1：有 1 个样本实际是 0，预测成了 2（预测错 ❌）

• [1, 0] = 1：有 1 个样本实际是 1，预测成了 0（预测错 ❌）

• [1, 1] = 1：有 1 个样本实际是 1，预测也是 1（预测对 ✅）

• [2, 1] = 1：有 1 个样本实际是 2，预测成了 1（预测错 ❌）

---

【什么是热力图（Heatmap）？】

热力图是一种颜色编码矩阵数据的图表，常用于：

• 显示数值大小差异

• 强调某些数值高的区域

在 sns.heatmap 中：

• 每个格子的颜色深浅代表数值大小（预测数量多的颜色更深）

• annot=True 会把每个格子的数值直接显示出来

所以你能一眼看到哪些分类容易被预测错、哪些预测得多或少。

---

【结果得到了哪些元素？】

你得到了什么？	意义
confusion_matrix()	构造分类正确/错误的统计表
sns.heatmap()	把混淆矩阵“可视化成颜色图”
混淆矩阵热力图	更直观地看到“模型错误在哪”、“预测偏向哪一类”

---

✅ 总结一句话记住

混淆矩阵 = 模型“预测行为”的全景图，对角线越亮越好，非对角线越高说明“搞混了”。

准确率告诉你“分数”，混淆矩阵告诉你“哪道题错了”，让你有针对性地优化模型表现。