求助：为自定义Python逻辑回归模型生成混淆矩阵

首先明确：weight是模型的参数，不是预测值。预测值（y_pred）是将测试集输入模型，经过sigmoid激活后，用阈值（通常取0.5）转换得到的0/1分类结果。下面是具体实现步骤：

1. 先修正模型代码中的致命错误 #

你的model函数里存在拼写错误：weigt = weight - learningRate*dw.T应该改成weight = weight - learningRate*dw.T，这个错误会导致权重完全无法更新，模型训练彻底失效，必须先修正。

2. 训练模型，得到训练后的权重和偏置 #

调用你写的model函数完成训练：

# 假设X、y已定义，且完成了train_test_split和转置操作
learning_rate = 0.01
iterations = 10000
trained_weight, trained_bias, cost_history = model(x_train, y_train, learning_rate, iterations)

3. 生成测试集的预测分类结果（y_pred） #

基于你现有的accuracy函数逻辑，改写一个生成预测结果的函数：

def get_predictions(X, weight, bias):
    z = np.dot(weight.T, X) + bias
    activation = sigmoid(z)
    # 用0.5作为阈值，将概率转换为0/1分类
    predictions = (activation > 0.5).astype('int64')
    # 转成一维数组，和真实标签的形状匹配
    return predictions.flatten()

生成测试集的预测结果与真实标签：

y_pred = get_predictions(x_test, trained_weight, trained_bias)
y_true = y_test.flatten()  # 把转置后的真实标签转成一维数组

4. 用scikit-learn生成混淆矩阵 #

导入工具并计算：

from sklearn.metrics import confusion_matrix

# 生成混淆矩阵
cm = confusion_matrix(y_true, y_pred)
print("混淆矩阵：")
print(cm)

可选：可视化混淆矩阵 #

如果需要更直观的展示，用热力图呈现：

import seaborn as sns
import matplotlib.pyplot as plt

sns.heatmap(cm, annot=True, fmt='d', cmap='Blues', 
            xticklabels=['类别0', '类别1'], 
            yticklabels=['类别0', '类别1'])
plt.xlabel('预测标签')
plt.ylabel('真实标签')
plt.title('混淆矩阵')
plt.show()

混淆矩阵说明 #

混淆矩阵的行代表真实标签，列代表预测标签：

• cm[0][0]：真实为0且预测为0的样本数（真阴性）
• cm[0][1]：真实为0但预测为1的样本数（假阳性）
• cm[1][0]：真实为1但预测为0的样本数（假阴性）
• cm[1][1]：真实为1且预测为1的样本数（真阳性）

内容的提问来源于stack exchange，提问作者Logit