#coding:utf-8
import sklearn
from sklearn.metrics import confusion_matrix
"""
两个字母,第一个字母(t,f)，第二个字母(pn)
第二个字母表示预测的正负（p/n，也就是1/0）
第一个字母表示预测的对错(t/f)
tn：预测为负例，预测对了 #下面例子中=0
fp：预测为正例，预测错了 #下面例子中=2
fn：预测为负例，预测错了 #下面例子中=1
tp：预测为正例，预测对了 #下面例子中=1
"""
y_true = [0, 1, 0, 1]
y_pred = [1, 1, 1, 0]
cm = confusion_matrix(y_true, y_pred)
tn, fp, fn, tp = cm.ravel()
混淆矩阵tp_fp_tn_fn
©著作权归作者所有,转载或内容合作请联系作者
- 文/潘晓璐 我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
- 文/花漫 我一把揭开白布。 她就那样静静地躺着，像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上，一...
- 文/苍兰香墨 我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
推荐阅读更多精彩内容
- from sklearn import metrics 1.accuracy_score(y_true, y_pr...
- 线性代数，面向连续数学，非离散数学。《The Matrix Cookbook》，Petersen and Pede...
