如何在TensorFlow构建的Python模型中生成混淆矩阵？

嘿，看了你的代码，你已经训练完二分类RNN模型并得到了预测结果yhat，接下来要生成混淆矩阵其实很简单，主要是处理好预测值的格式转换和真实值的维度对齐这两个关键点，我一步步给你讲：

关键步骤说明 #

你的模型用了sigmoid输出层和binary_crossentropy损失，属于二分类任务，所以：

• 模型输出的yhat是0到1之间的概率值，需要先转换成0/1的类别标签
• 真实值y_test目前是形状为(-1, 1)的二维数组，需要展平成一维数组，和预测值的维度匹配

用TensorFlow实现混淆矩阵 #

直接在你现有的代码后面追加以下代码即可：

import tensorflow as tf

# 1. 把预测概率转换成类别标签（以0.5为阈值）
# 方法1：用tf.round自动四舍五入
y_pred = tf.round(yhat).numpy().flatten()
# 方法2：手动设置阈值（更灵活，比如可以调整为0.6）
# y_pred = (yhat >= 0.5).astype(int).flatten()

# 2. 处理真实值：展平成一维数组
y_true = y_test.flatten()

# 3. 生成混淆矩阵
confusion_matrix = tf.math.confusion_matrix(
    labels=y_true,
    predictions=y_pred,
    num_classes=2  # 二分类任务，类别数设为2
)

# 打印混淆矩阵
print("混淆矩阵：")
print(confusion_matrix.numpy())

代码解释 #

• tf.round(yhat)：把0.5以上的概率转为1，以下转为0，刚好符合二分类的类别划分
• .flatten()：把二维数组转成一维，解决y_test和yhat的维度不匹配问题
• tf.math.confusion_matrix的输出是一个num_classes × num_classes的矩阵，行代表真实类别，列代表预测类别：
  • 左上角是真阴性（TN）：真实0，预测0
  • 右上角是假阳性（FP）：真实0，预测1
  • 左下角是假阴性（FN）：真实1，预测0
  • 右下角是真阳性（TP）：真实1，预测1

可选：用Scikit-learn生成更直观的混淆矩阵 #

如果你想要更易读的输出（比如带原始标签和可视化效果），也可以用sklearn.metrics.confusion_matrix，代码如下：

from sklearn.metrics import confusion_matrix
import seaborn as sns
import matplotlib.pyplot as plt

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

# 可视化混淆矩阵（还原原始类别标签）
sns.heatmap(cm, annot=True, fmt="d", cmap="Blues", 
            xticklabels=le.inverse_transform([0,1]),
            yticklabels=le.inverse_transform([0,1]))
plt.xlabel("预测类别")
plt.ylabel("真实类别")
plt.title("混淆矩阵")
plt.show()

这里用le.inverse_transform把编码后的0/1还原成你原始的标签文本，可视化后更直观。

常见坑点提醒 #

• 不要直接把yhat（概率值）传入tf.math.confusion_matrix，必须先转成类别标签
• 确保y_true和y_pred的维度一致，都是一维数组

内容的提问来源于stack exchange，提问作者Natalia Resende