scikit-learn的confusion_matrix默认按标签升序（数值）或字典序（字符串）排序行列，而非实际出现顺序，故['cat','dog','bird']中第0行对应'bird'。
scikit-learn 的 confusion_matrix 为什么输出的行列顺序容易让人困惑？
它默认按类别标签的**排序顺序**（而非训练/预测时的实际出现顺序）排布行和列。比如类别是 ['cat', 'dog', 'bird']，即使测试集中 'dog' 出现最多，矩阵第0行也永远对应 'bird'（因为字符串排序后 'bird' ）。这会导致热力图坐标和真实类别对不上。
解决办法是显式传入 labels 参数，强制指定顺序：
from sklearn.metrics import confusion_matrix y_true = ['cat', 'dog', 'cat', 'bird'] y_pred = ['cat', 'cat', 'dog', 'bird'] cm = confusion_matrix(y_true, y_pred, labels=['cat', 'dog', 'bird'])
这样 cm[0][0] 就稳定对应 'cat' 的 TP，不会因字符串排序“漂移”。
用 seaborn.heatmap 绘制带标签的混淆矩阵时，哪些参数不能省？
只调 seaborn.heatmap(cm) 会丢失所有语义：既没类别名、也没数值标注、颜色也难读。必须补全三个关键项：
-
xticklabels和yticklabels要设为类别列表（与confusion_matrix的labels一致） -
annot=True才显示每个格子的数字 -
fmt='d'（整数）或fmt='.2f'（小数），否则annot可能显示科学计数法或截断
示例：
图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍
import seaborn as sns
import matplotlib.pyplot as plt
sns.heatmap(cm, annot=True, fmt='d',
xticklabels=['cat','dog','bird'],
yticklabels=['cat','dog','bird'])
plt.ylabel('True Label')
plt.xlabel('Predicted Label')
多分类中，classification_report 和混淆矩阵哪个更值得优先检查？
先看混淆矩阵。因为 classification_report 只给宏观指标（precision/recall/f1 per class），但掩盖了具体误判路径。比如 'cat' 被大量错判为 'dog' 还是 'bird'，报告里完全看不出——而这直接决定你该调整特征工程还是修正数据标注。
实际排查步骤建议：
- 观察混淆矩阵中非对角线的**最大值**，定位最严重的两类混淆
- 回查原始样本：这些被混淆的
'cat'图片是否真像'dog'？光照/角度/裁剪是否异常？ - 如果某类在矩阵中整行几乎为0（召回率≈0），说明模型根本没学会识别它，不是调参问题，而是数据量或标注质量问题
中文类别名在热力图里显示为方块？怎么快速修复？
这是 Matplotlib 默认字体不支持中文导致的。不用换系统字体，两行代码就能解决：
import matplotlib matplotlib.rcParams['font.sans-serif'] = ['SimHei', 'DejaVu Sans'] # Windows 常用 matplotlib.rcParams['axes.unicode_minus'] = False # 解决负号 '-' 显示为方块
注意：这两行必须在 import seaborn 或 plt.figure() **之前**执行，否则已加载的字体配置不会刷新。Mac 用户可把 'SimHei' 换成 'Arial Unicode MS' 或 'Heiti TC'。
混淆矩阵本身不复杂，但每个环节的隐含假设（如标签排序、字体渲染、数值格式）都可能让结果不可信。盯着矩阵里一个异常大的非对角值，比调十次 max_depth 更可能找到真正的问题。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
