我正在尝试不使用sklearn库来构建一个混淆矩阵。我在正确形成混淆矩阵时遇到了问题。以下是我的代码：

def comp_confmat():    currentDataClass = [1,3,3,2,5,5,3,2,1,4,3,2,1,1,2]        predictedClass = [1,2,3,4,2,3,3,2,1,2,3,1,5,1,1]    cm = []    classes = int(max(currentDataClass) - min(currentDataClass)) + 1 #find number of classes    for c1 in range(1,classes+1):#for every true class        counts = []        for c2 in range(1,classes+1):#for every predicted class            count = 0            for p in range(len(currentDataClass)):                if currentDataClass[p] == predictedClass[p]:                    count += 1            counts.append(count)        cm.append(counts)    print(np.reshape(cm,(classes,classes)))

然而，这返回的是：

[[7 7 7 7 7][7 7 7 7 7][7 7 7 7 7][7 7 7 7 7][7 7 7 7 7]]

但我不明白为什么每次迭代结果都是7，因为我每次都重置了计数，并且它在循环不同的值？

这是我应该得到的结果（使用sklearn的confusion_matrix函数）：

[[3 0 0 0 1][2 1 0 1 0][0 1 3 0 0][0 1 0 0 0][0 1 1 0 0]]

回答：

在你最内层的循环中，应该有一个情况区分：目前这个循环计算的是一致性，但你只希望在c1 == c2时才这样做。

这里是另一种方法，使用嵌套列表解析：

currentDataClass = [1,3,3,2,5,5,3,2,1,4,3,2,1,1,2]    predictedClass = [1,2,3,4,2,3,3,2,1,2,3,1,5,1,1]classes = int(max(currentDataClass) - min(currentDataClass)) + 1 #find number of classescounts = [[sum([(currentDataClass[i] == true_class) and (predictedClass[i] == pred_class)                 for i in range(len(currentDataClass))])           for pred_class in range(1, classes + 1)]            for true_class in range(1, classes + 1)]counts    

[[3, 0, 0, 0, 1], [2, 1, 0, 1, 0], [0, 1, 3, 0, 0], [0, 1, 0, 0, 0], [0, 1, 1, 0, 0]]