sklearn v0.21.2 confusion_matrix的ravel方法输出是否存在异常？

你的判断是完全正确的，我们来一步步拆解这个问题：

你观察到的"don't"类别被忽略是符合sklearn 0.21.2版本行为的：当通过labels参数指定类别列表时，所有不在这个列表中的样本（无论真实标签还是预测标签）都会被直接排除在混淆矩阵的计算之外。你的第三个样本预测标签"don't\n"不在m的列表中，所以这个样本不会被计入最终的统计结果。

你对输出顺序的怀疑是准确的——实际输出确实是TP、FN、FP、TN，而非你预期的TN、FP、FN、TP，这完全由labels参数的顺序定义决定：

sklearn的confusion_matrix严格按照你传入的labels列表顺序构建矩阵：

• 矩阵的行对应真实标签，顺序与labels一致
• 矩阵的列对应预测标签，顺序也与labels一致

在你的代码中，m = ["positive\n", "negative\n"]，相当于把positive\n定义为正类（第一个类别），negative\n定义为负类（第二个类别），此时混淆矩阵的结构是：

你的输出矩阵是：

[[0 3]
 [0 1]]

按行展开（ravel()的默认行为）得到[0, 3, 0, 1]，对应：

• 0 → TP（真实positive、预测positive的数量）
• 3 → FN（真实positive、预测negative的数量）
• 0 → FP（真实negative、预测positive的数量）
• 1 → TN（真实negative、预测negative的数量）

而你参考的文档中TN、FP、FN、TP的顺序，是默认将第一个类别作为负类的场景（比如常见的0代表负类、1代表正类），但你把正类放在了labels的第一位，所以顺序自然反转了。

如果想要得到预期的TN、FP、FN、TP顺序，只需要调整labels的顺序，把负类放在前面：

m = ["negative\n", "positive\n"]

重新计算后混淆矩阵会变成：

[[1 0]
 [3 0]]

ravel()之后就是[1, 0, 3, 0]，完全匹配文档描述的顺序。

内容的提问来源于stack exchange，提问作者User