如何通过PyCaret提取混淆矩阵中Tp、Tn、Fp、Fn的数值

当然可以提取具体数值，根本不是只能出可视化图。PyCaret绘制混淆矩阵的逻辑是先计算好底层结构化的统计数值，再基于数值渲染图表，所有图里标注的计数都能通过内置接口直接获取，常用的提取方式有两种：

方法1：直接调用绘图接口返回原始数值 #

调用plot_model画混淆矩阵的时候，传入return_data=True参数，同时关闭自动弹窗渲染，函数会直接返回Pandas格式的混淆矩阵统计表，不需要手动从图里读数：

# 注意提前完成setup初始化、模型训练流程，替换成你自己训练好的模型对象
cm_table = plot_model(
    estimator=your_trained_model,
    plot="confusion_matrix",
    plot_kwargs={"percent": False},  # 关闭百分比显示，返回原始样本计数
    return_data=True,
    display_format=None  # 不弹出可视化绘图窗口
)

返回的cm_table行索引对应真实标签，列索引对应模型预测标签，二分类场景下直接按位置索引就能取出四个值：

• TP（真阳性）：cm_table.iloc[1, 1]
• TN（真阴性）：cm_table.iloc[0, 0]
• FP（假阳性）：cm_table.iloc[0, 1]
• FN（假阴性）：cm_table.iloc[1, 0]

如果是多分类场景，拿到完整混淆矩阵后，对每个类别单独做矩阵切片，就能算出每个类别对应的四个指标值。

方法2：基于预测结果自行统计计算 #

如果需要更灵活的统计逻辑，可以直接用predict_model拿到验证集/测试集的全量预测结果，手动比对真实标签和预测标签统计数值：

pred_result = predict_model(your_trained_model, data=your_holdout_dataset)
# 替换成你数据集里真实标签的列名、对应正负类的标签值即可
TP = ((pred_result["target_column"] == 1) & (pred_result["prediction_label"] == 1)).sum()
TN = ((pred_result["target_column"] == 0) & (pred_result["prediction_label"] == 0)).sum()
FP = ((pred_result["target_column"] == 0) & (pred_result["prediction_label"] == 1)).sum()
FN = ((pred_result["target_column"] == 1) & (pred_result["prediction_label"] == 0)).sum()

注意：如果建模时手动调整过分类概率阈值，用第二种方法计算时要记得同步应用相同的阈值规则，避免统计出来的数值和模型自带评估报告里的结果不一致。

内容的提问来源于stack exchange，提问作者Dmilo6