我正在尝试使用UCI ML Repo中的相关数据集预测信用卡批准情况。问题在于目标变量将信用卡申请编码为’+’表示批准，’-‘表示拒绝。
由于目标变量中拒绝的申请略多，所有评分器和估计器都将拒绝类视为正类，而实际上应该是相反的。因此，我的混淆矩阵完全混乱，因为我认为所有的真正例（True Positives）和真负例（True Negatives），假正例（False Positives）和假负例（False Negatives）都被颠倒了：
如何手动指定正类呢？
回答：
我不知道scikit-learn的估计器或变换器是否有参数可以让你翻转正负类标识符。但是，我可以想到两种解决方法：
方法1：你自己在拟合估计器之前转换数组标签
对于numpy数组，这很容易实现：
y = np.array(['+', '+', '+', '-', '-'])y_transformed = [1 if i == '+' else 0 for i in y]对于pandas的Series对象也是如此：
y = pd.Series(['+', '+', '+', '-', '-'])y_transformed = y.map({'+': 1, '-': 0})在这两种情况下，输出将是[1, 1, 1, 0, 0]
方法2：在confusion_matrix中定义labels参数
scikit-learn的confusion_matrix有一个labels参数，可以让你重新排序标签。使用方法如下：
y_true = np.array([1, 1, 1, 0, 0])y_pred = np.array([1, 0, 1, 0, 0])print(confusion_matrix(y_true, y_pred))# output[[2 0] [1 2]]print(confusion_matrix(y_true, y_pred, labels=[1, 0]))# output[[2 1] [0 2]]