提问人：John Sall 提问时间：5/10/2019 更新时间：6/23/2020 访问量：6917
为什么scikit学习混淆矩阵是反转的？
Why scikit learn confusion matrix is reversed?
问：
我有 3 个问题：
1)
sklearn 的混淆矩阵如下：
TN | FP
FN | TP
当我查看在线资源时，我发现它是这样的：
TP | FP
FN | TN
我应该考虑哪一个？
2)
由于上面用于 scikit learn 的混淆矩阵与我在其他 rescources 中发现的混淆矩阵不同，因此在多类混淆矩阵中，结构是什么？我在这里看这篇文章： Scikit-learn：如何获得真阳性、真阴性、假阳性和假阴性 在那篇帖子中，@lucidv01d发布了一张图表来了解多类的类别。该类别在 scikit Learn 中是否相同？
3)
如何计算多类的准确性？例如，我有这个混淆矩阵：
[[27 6 0 16]
[ 5 18 0 21]
[ 1 3 6 9]
[ 0 0 0 48]]
在我在问题 2 中提到的同一篇文章中，他写了这个等式：
整体精度
ACC = （TP+TN）/（TP+FP+FN+TN）
但这不就是二进制吗？我的意思是，我应该用什么类替换 TP？
答：
8赞
secretive
5/11/2019
#1
sklearn 之所以显示他们的混淆矩阵，比如
TN | FP
FN | TP
这是因为在他们的代码中，他们认为 0 是负类，1 是正类。 Sklearn 总是认为较小的数字为负数，较大的数字为正数。我所说的数字是指类值（0 或 1）。顺序取决于数据集和类。
精度将是对角线元素的总和除以所有元素的总和。
评论
0赞
SpinUp __ A Davis
6/21/2022
读完这篇文章后，我仍然不明白为什么他们不直接翻转混淆矩阵来匹配其他约定，但是当您考虑超过 2 个类的问题时，sklearn 的显示方式是有道理的
5赞
Emmet B
5/11/2019
#2
正如 sklearn 指南所说：“（维基百科和其他参考资料可能会对轴使用不同的约定）”
这是什么意思？在构建混淆矩阵时，第一步是决定将预测值和实际值（真实标签）放在何处。有两种可能性：
- 将预测值放在列上，将真正的 Labes 放在行上
- 将预测值放在行上，将真正的 Labes 放在列上
决定你想走哪条路是完全主观的。从这张图片中可以
清楚地看出，scikit-learn 的约定是将预测放在列上，把真正的标签放在行上。
因此，根据 scikit-learns 约定，这意味着：
- 第一列包含负面预测（TN 和 FN）
- 第二列包含正预测（TP 和 FP）
- 第一行包含否定标签（TN 和 FP）
- 第二行包含阳性标签（TP 和 FN）
- 对角线包含正确预测的标签数。
根据这些信息，我认为您将能够解决问题的第 1 部分和第 2 部分。
对于第 3 部分，您只需将对角线中的值求和，然后除以所有元素的总和，这将是
(27 + 18 + 6 + 48) / (27 + 18 + 6 + 48 + 6 + 16 + 5 + 21 + 1 + 3 + 9)
或者你可以只使用 score（） 函数。
评论
0赞
John Sall
5/11/2019
但是我们这里有 3 列，第 3 行也发生了什么？
0赞
Emmet B
5/11/2019
@JohnSall你指的是这个数字还是别的什么？
0赞
Emmet B
5/12/2019
图中有三行三列。
3赞
Wojciech Moszczyński
6/23/2020
#3
scikit-learn 约定是将预测值放在列中，将实际值放在行中
scikit-learn 约定是默认将 0 表示负类（顶部），将 1 表示正类（底部）。可以使用 labels = [1,0] 更改顺序。 您可以通过这种方式计算整体精度
M = np.array（[[27， 6， 0， 16]， [5， 18,0,21]，[1,3,6,9]，[0,0,0,48]]）
M
对角线总和
w = M.diagonal()
w.sum()
99
矩阵之和
M.sum()
160
ACC = w.sum()/M.sum()
ACC
0.61875
评论