如何从Scikit-Learn混淆矩阵反向推导得到y_true与y_pred？

• 从信息损失的角度，仅凭借已生成的聚合混淆矩阵，完全无法反向还原出和原始输入完全一致的y_true、y_pred。
  混淆矩阵本质是对所有样本的标签配对做计数统计，只记录了“真实为i类、预测为j类”的样本总数量，彻底丢失了单个样本的标签配对关系、样本排布顺序等细节。一组确定数值的混淆矩阵，可以对应成千上万组完全不同的y_true、y_pred组合，不存在唯一的还原解。
• Scikit-Learn 不存在相关的内置反向推导方法：其混淆矩阵模块的所有API，都是以样本级的y_true、y_pred为输入、输出聚合计数矩阵，没有提供从矩阵反推样本标签的接口——这本身也是因为反推不存在唯一解，没有内置实现的实际意义。

如果你的需求不是还原原始的标签样本，只是需要构造一组任意的y_true、y_pred，使得代入计算后得到的混淆矩阵和你手里的现有矩阵完全一致，可以通过遍历矩阵计数拆解配对的方式实现，参考代码片段如下：

import numpy as np
from sklearn.metrics import confusion_matrix

# 替换为你自己的混淆矩阵（和Sklearn输出结构一致：行是真实标签，列是预测标签）
your_conf_mat = np.array([
    [2, 1],
    [0, 3]
])

sample_pairs = []
# 遍历矩阵每个位置的计数，生成对应的标签配对
for true_label_idx in range(your_conf_mat.shape[0]):
    for pred_label_idx in range(your_conf_mat.shape[1]):
        sample_count = your_conf_mat[true_label_idx, pred_label_idx]
        # 按当前位置的样本数，生成对应数量的(真实标签, 预测标签)配对
        sample_pairs.extend([(true_label_idx, pred_label_idx)] * sample_count)

# 转换为数组并随机打乱，模拟原始样本的随机排布逻辑
sample_pairs = np.array(sample_pairs)
np.random.shuffle(sample_pairs)

# 拆分得到生成的y_true和y_pred
y_true_gen = sample_pairs[:, 0]
y_pred_gen = sample_pairs[:, 1]

# 验证结果一致性
generated_conf_mat = confusion_matrix(y_true_gen, y_pred_gen)
print("生成标签计算的混淆矩阵：\n", generated_conf_mat)
print("与原矩阵是否完全匹配：", np.array_equal(generated_conf_mat, your_conf_mat))

补充说明：上述代码生成的标签对，仅在聚合计数层面和原混淆矩阵等价，和最初生成该矩阵时使用的原始样本标签无任何对应关系。如果原始标签存在和样本顺序绑定的特征（比如时序序列标签、按类别分块排布的标签），随机打乱后的生成标签对无法复现这类特征。

内容的提问来源于stack exchange，提问作者Clayton C.