没问题！我来帮你补充生成混淆矩阵的代码，顺便梳理下整个流程的关键节点~

你已经完成了半监督模型的训练（selfTraining方法结合KNN分类器），接下来只需要用训练好的模型预测测试集，再结合真实标签生成混淆矩阵即可。下面是完整的补充代码和说明：

步骤1：用训练好的模型预测测试集 #

训练完成的m.selft1是一个可以直接用于预测的模型对象，我们用它对测试集xitest做预测：

# 对归纳式测试集进行预测
yitest_pred <- predict(m.selft1, newdata = xitest)

步骤2：生成混淆矩阵（两种方式） #

方式1：用caret包的confusionMatrix生成带详细指标的混淆矩阵 #

caret包的confusionMatrix会输出准确率、精确率、召回率、F1值等全面的评估指标，是工业界常用的方式：

# 统一将真实标签和预测结果转为因子（避免类别类型不匹配的问题）
# 注意：如果数据类别有固定水平，建议手动指定levels，比如levels = c("1", "2", "3")
yitest_true <- as.factor(yitest)
yitest_pred <- as.factor(yitest_pred)

# 生成混淆矩阵（第一个参数是预测值，第二个是真实标签）
confusion_matrix <- confusionMatrix(data = yitest_pred, reference = yitest_true)

# 打印完整的混淆矩阵及评估指标
print(confusion_matrix)

方式2：用基础R的table生成简单混淆矩阵 #

如果只需要最基础的类别交叉统计，用基础R的table函数即可：

# 生成简单混淆矩阵
simple_conf_mat <- table(
  预测类别 = yitest_pred,
  真实类别 = yitest_true
)

print(simple_conf_mat)

完整可运行代码（包含你的原有代码+混淆矩阵部分） #

# 加载半监督学习包
library(ssc)
# 加载Wine数据集
data(wine) 

# 分离特征和标签
cls <- which(colnames(wine) == "Wine")
x <- wine[, -cls] # 特征矩阵
y <- wine[, cls] # 标签向量
x <- scale(x) # 特征标准化（距离类算法必备）

set.seed(3) # 设置随机种子保证结果可复现

# 划分训练集（50%数据）
tra.idx <- sample(x = length(y), size = ceiling(length(y) * 0.5))
xtrain <- x[tra.idx,] 
ytrain <- y[tra.idx] 

# 训练集中70%设为无标签样本（置为NA）
tra.na.idx <- sample(x = length(tra.idx), size = ceiling(length(tra.idx) * 0.7))
ytrain[tra.na.idx] <- NA 

# 划分测试集（剩余50%数据）
tst.idx <- setdiff(1:length(y), tra.idx)
xitest <- x[tst.idx,] 
yitest <- y[tst.idx] 

# 加载caret包（用于混淆矩阵和KNN分类器）
library(caret)

# 训练selfTraining半监督模型
m.selft1 <- selfTraining(
  x = xtrain, 
  y = ytrain, 
  learner = knn3,
  learner.pars = list(k = 1), 
  pred = "predict"
)

# -------------------------- 补充的混淆矩阵代码 --------------------------
# 1. 预测测试集
yitest_pred <- predict(m.selft1, newdata = xitest)

# 2. 统一转为因子（保证类别匹配）
yitest_true <- as.factor(yitest)
yitest_pred <- as.factor(yitest_pred)

# 3. 生成带详细指标的混淆矩阵
confusion_matrix <- confusionMatrix(data = yitest_pred, reference = yitest_true)
print(confusion_matrix)

关键注意事项 #

1. 类别一致性：一定要保证预测结果和真实标签的类别水平完全一致（比如都是因子，且levels相同），否则confusionMatrix会报错。如果你的标签是整数，转因子时可以手动指定所有可能的类别，比如：

   yitest_true <- factor(yitest, levels = unique(y))
   yitest_pred <- factor(yitest_pred, levels = unique(y))
   

2. 模型类型：selfTraining是归纳式半监督模型，支持对全新的测试集做预测，所以可以直接用predict函数；如果是直推式模型（比如labelPropagation），则只能对训练时的无标签样本预测，无法直接预测全新测试集。

这样运行后，你就能得到模型在测试集上的混淆矩阵及完整评估指标啦！如果还有其他半监督学习的问题，欢迎继续提问~