假设我有以下两组类别和一个包含目标名称的变量：
spam = ["blue", "white", "blue", "yellow", "red"]flagged = ["blue", "white", "yellow", "blue", "red"]target_names = ["blue", "white", "yellow", "red"]当我使用confusion_matrix函数如下时，结果如下：
from sklearn.metrics import confusion_matrixconfusion_matrix(spam, flagged, labels=target_names)[[1 0 1 0] [0 1 0 0] [1 0 0 0] [0 0 0 1]]然而，当我给labels参数指定只想要’blue’的指标时，我得到了这样的结果：
confusion_matrix(spam, flagged, labels=["blue"])array([[1]])只有一个数字，我无法计算准确率、精确率、召回率等。我在这里做错了什么？填入黄色、白色或蓝色会得到0、1和1的结果。
回答：
然而，当我给
labels参数指定只想要’blue’的指标时
它并不是这样工作的。
在像你这样的多类别设置中，精确率和召回率是从整个混淆矩阵中针对每个类别计算的。
我在另一个回答中详细解释了原理和计算方法；这里是如何应用到你的情况中，对于你自己的混淆矩阵cm来说：
现在，根据精确率和召回率的定义，我们有：
precision = TP/(TP+FP)recall = TP/(TP+FN)对于你的例子，结果如下：
precision# array([ 0.5, 1. , 0. , 1. ])recall# array([ 0.5, 1. , 0. , 1. ])也就是说，对于你的’blue’类，你得到了50%的精确率和召回率。
这里精确率和召回率碰巧相同，纯粹是巧合，因为FP和FN数组碰巧相同；尝试使用不同的预测来获得一种感觉…
