如何在Python中计算多个混淆矩阵总和并推导TP、FP、FN、TN

我将5个混淆矩阵存储在列表cm_decision_tree中，想要计算这些矩阵的总和，再据此提取True Positive(TP)、False Positive(FP)、False Negative(FN)和True Negative(TN)。但运行代码时出现错误：

cm_decision_tree = []
cm_decision_tree.append(confusion_matrix(y_test, decision_tree_pred))

# 打印结果为包含5个numpy数组的列表
[array([[ 0,  9],
        [ 4, 2]], dtype=int64),
 array([[ 4,  6],
        [1, 6]], dtype=int64),
 array([[ 1, 10],
        [ 0, 9]], dtype=int64),
 array([[ 4, 14],
        [ 5, 5]], dtype=int64),
 array([[ 0, 14],
        [ 7, 2]], dtype=int64)]

# 尝试计算均值时报错
from statistics import mean
matrix_result_average=cm_decision_tree.mean(axis=0)

错误信息：

AttributeError: 'list' object has no attribute 'mean'

错误原因 #

Python原生列表（list）没有mean()方法，且statistics.mean仅用于计算一维数值的均值，无法处理多维数组组成的列表。必须先将列表转换为numpy数组，才能使用numpy的数组运算方法。

解决方案 #

步骤1：将列表转为numpy数组 #

利用numpy.array()把存储混淆矩阵的列表转换为多维numpy数组，这样就能使用numpy的求和、求均值方法。

步骤2：计算混淆矩阵的总和（或均值） #

使用sum(axis=0)对所有混淆矩阵按元素求和，若需要均值则用mean(axis=0)。

步骤3：提取TP/FP/FN/TN #

二分类混淆矩阵的标准结构为[[TN, FP], [FN, TP]]，直接从总矩阵中提取对应位置的数值即可。

完整代码示例：

import numpy as np

# 转换列表为numpy数组
cm_array = np.array(cm_decision_tree)

# 计算所有混淆矩阵的总和
total_confusion_matrix = cm_array.sum(axis=0)

# 提取指标
TN, FP = total_confusion_matrix[0]
FN, TP = total_confusion_matrix[1]

# 输出结果
print("总和混淆矩阵:\n", total_confusion_matrix)
print(f"TP: {TP}, FP: {FP}, FN: {FN}, TN: {TN}")

运行上述代码后，就能得到所有混淆矩阵的总和，并正确提取四个指标。

内容的提问来源于stack exchange，提问作者Haseeb Tariq