哪个 class 标签在 sklearn.metrics.confusion_matrix 中被认为是负面的？

Question

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：

行或列是否被视为实际（或预测）标签。
是否假定 0 或 1 为正（或负）class。其中 none 直接在 the docstring.

这个问题已经有人问过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，而在于如何将特定的 class 设置为正数或负数。

Answer 1

简答在二进制 classification 中，当使用参数 labels 时，

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

class 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 class 标签：（使用不平衡 class 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()

这会让您感到困惑 table 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 表示有 2 种情况模型预测样本为负（即 0）但实际标签为正（即 1） , 因此 False Negative 等于 2.

与 TN=12 类似，在 12 种情况下，模型正确预测了负数 class (0)，因此真负数等于 12。

假设 sklearn 认为第一个标签（在 labels=[0,1] 中为负数 class。因此，这里 0，第一个标签, 代表负 class.

哪个 class 标签在 sklearn.metrics.confusion_matrix 中被认为是负面的？

Which class label is considered negative in sklearn.metrics.confusion_matrix?

python

confusion-matrix

scikit-learn