多分类模型中如何识别预测最差类别并按真正例排序？

嘿，针对你处理多分类任务时想找出预测最差类别的需求，我来给你具体的实现方案，完全贴合你给出的示例场景～

一、从混淆矩阵中找出完全预测错误的类别 #

混淆矩阵的对角线元素就是对应类别的真正例（True Positive, TP）——也就是真实类别和预测类别一致的样本数。如果某个类别的TP为0，就说明这个类别的所有样本都被预测错了，比如你示例里的类别1。

具体实现代码如下：

from sklearn.metrics import confusion_matrix
import numpy as np

# 你的示例数据
y_true = [2, 0, 2, 2, 0, 1]
y_pred = [0, 0, 2, 2, 0, 2]

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

# 提取每个类别的真正例（TP）
tp_per_class = np.diag(cm)

# 筛选出TP为0的类别（完全预测错误的类别）
fully_misclassified_classes = np.where(tp_per_class == 0)[0]

print("完全预测错误的类别：", fully_misclassified_classes)
# 输出结果：[1]，正好对应你示例里的类别1

二、基于真正例（TP）对类别排序 #

你可以直接根据每个类别的TP值从小到大排序，这样排在最前面的就是预测表现最差的类别。如果TP相同，还可以结合其他指标（比如召回率）进一步区分，但TP本身已经能反映基础的预测准确性。

实现代码如下：

# 获取所有类别（假设类别是从0开始的连续整数）
all_classes = np.arange(cm.shape[0])

# 按TP从小到大排序（表现从差到好）
sorted_classes_by_tp = all_classes[np.argsort(tp_per_class)]
# 对应的TP值也按同样顺序排列
sorted_tp_values = tp_per_class[np.argsort(tp_per_class)]

print("按真正例排序的类别（从差到好）：", sorted_classes_by_tp)
print("对应类别的真正例数量：", sorted_tp_values)
# 输出结果：
# 按真正例排序的类别（从差到好）： [1 0 2]
# 对应类别的真正例数量： [0 2 2]

额外补充：更全面的类别表现评估 #

如果想更深入分析每个类别的表现，除了TP，还可以用classification_report查看精确率（precision）、召回率（recall）和F1分数，这些指标能帮你更精准定位需要调优的类别：

from sklearn.metrics import classification_report

print(classification_report(y_true, y_pred))

输出会像这样：

precision    recall  f1-score   support

           0       0.67      1.00      0.80         2
           1       0.00      0.00      0.00         1
           2       0.67      0.67      0.67         3

    accuracy                           0.67         6
   macro avg       0.44      0.56      0.49         6
weighted avg       0.56      0.67      0.60         6

从这里能清晰看到类别1的各项指标都是0，完全没有正确预测的样本。

内容的提问来源于stack exchange，提问作者PV8