Python：导出含预测目标的数据集以构建混淆矩阵计算假阳性值

没问题，这其实是模型评估里非常常规的操作，我给你拆成几步讲清楚，不管你用的是scikit-learn、TensorFlow还是PyTorch，核心逻辑都是通的：先拿到模型的预测结果，把它和真实标签合并成完整数据集，再通过混淆矩阵定位假阳性样本。

1. 获取预测结果：从训练好的模型中得到预测类别（必要时也可以保留预测概率，方便后续分析）
2. 合并数据集：将真实标签、预测标签（及概率）合并成结构化数据集（比如CSV）
3. 计算混淆矩阵：通过混淆矩阵明确假阳性的数量，甚至定位到具体的假阳性样本

假设你已经有训练好的模型model，测试集特征X_test，真实标签y_test（可以是pandas Series或numpy数组）。

1. 导入依赖库 #

import pandas as pd
from sklearn.metrics import confusion_matrix
import numpy as np

2. 获取预测结果 #

# 得到预测的类别标签（二分类下是0/1，多分类是对应类别编号）
y_pred = model.predict(X_test)

# 可选：获取正类的预测概率（方便分析假阳性的置信度）
y_pred_proba = model.predict_proba(X_test)[:, 1]  # 二分类取第2列（索引1）的概率

3. 合并并导出完整数据集 #

把真实标签、预测结果整合到DataFrame，然后导出成CSV文件：

# 构建结果数据集
result_df = pd.DataFrame({
    '真实标签': y_test,
    '预测标签': y_pred,
    '正类预测概率': y_pred_proba  # 可选字段，按需保留
})

# 导出到本地CSV（编码用utf-8-sig避免中文乱码）
result_df.to_csv('模型预测结果数据集.csv', index=False, encoding='utf-8-sig')

4. 计算混淆矩阵并定位假阳性 #

二分类的混淆矩阵结构是：

[[TN(真阴性), FP(假阳性)],
 [FN(假阴性), TP(真阳性)]]

我们可以直接提取假阳性的数量，甚至筛选出具体的假阳性样本：

# 计算混淆矩阵
cm = confusion_matrix(y_test, y_pred)
# 拆解混淆矩阵的四个值
TN, FP, FN, TP = cm.ravel()

print(f"假阳性样本总数: {FP}")

# 筛选出所有假阳性样本（真实标签为0，预测标签为1）
false_positive_samples = result_df[(result_df['真实标签'] == 0) & (result_df['预测标签'] == 1)]

# 导出假阳性样本到单独文件
false_positive_samples.to_csv('假阳性样本明细.csv', index=False, encoding='utf-8-sig')

如果是多分类任务，混淆矩阵是n×n的（n为类别数），假阳性指的是真实标签为A，但被预测为非A的其他类别的样本：

# 筛选所有预测错误的样本（即广义的假阳性，按不同类别区分）
all_incorrect_predictions = result_df[result_df['真实标签'] != result_df['预测标签']]

# 按真实标签和预测标签分组统计假阳性数量
fp_by_class = all_incorrect_predictions.groupby(['真实标签', '预测标签']).size()
print("各类别间的假阳性统计:\n", fp_by_class)

# 导出所有错误预测样本
all_incorrect_predictions.to_csv('多分类错误预测样本.csv', index=False, encoding='utf-8-sig')

如果用的是TensorFlow或PyTorch，获取预测结果的方式略有不同：

• TensorFlow/Keras：

  # 获取预测概率
  y_pred_proba = model.predict(X_test)
  # 转成类别标签
  y_pred = np.argmax(y_pred_proba, axis=1)
  

• PyTorch：

  # 注意先把模型设为评估模式
  model.eval()
  # 关闭梯度计算
  with torch.no_grad():
      y_pred_proba = model(X_test_tensor)
      y_pred = torch.argmax(y_pred_proba, dim=1).numpy()  # 转成numpy数组
  

之后的合并数据集、计算混淆矩阵步骤和上面一致。

• 导出CSV时，若数据中有中文，务必用encoding='utf-8-sig'编码，避免打开时乱码；
• scikit-learn的confusion_matrix默认按y_test中出现的类别顺序排列，若要指定顺序可以用labels参数，比如confusion_matrix(y_test, y_pred, labels=[0,1,2])；
• 保留预测概率可以帮助你分析假阳性样本的置信度，比如哪些假阳性是模型“很确定”预测错的，哪些是“犹豫”的，这对优化模型很有用。

内容的提问来源于stack exchange，提问作者SaCvP