如何在scikit-learn中从混淆矩阵提取假阳性样本数组？

嘿，我来帮你搞定这个问题！要从scikit-learn里拿到假阳性的样本数组，其实不用只盯着混淆矩阵的数值看——咱们直接用测试集的真实标签和模型预测结果就能精准筛选出来，下面给你一步步讲清楚：

首先先明确：**假阳性（FP）**指的是「实际标签是负类，但模型预测成正类」的样本（假设你的标签是0代表负类，1代表正类；如果你的标签体系反过来，记得调整后面的判断条件哦）。

步骤1：生成假阳性的筛选掩码 #

先创建一个布尔数组，标记出哪些样本符合假阳性的条件：

# 这里假设y_test里0是负类，1是正类
fp_mask = (y_test == 0) & (y_pred_class == 1)

步骤2：提取对应的样本数组 #

用这个掩码去索引你的测试集特征（X_test），就能直接得到所有假阳性的样本了：

# 获取假阳性的特征数组
fp_samples = X_test[fp_mask]

# 如果你还保留了原始的测试集文本，也可以直接提取这些误判的文本：
# 比如你之前有original_test_texts这个列表的话
# fp_misclassified_texts = original_test_texts[fp_mask]

用混淆矩阵验证（可选） #

要是你想确认筛选出来的数量对不对，可以计算混淆矩阵来核对：

from sklearn.metrics import confusion_matrix

cm = confusion_matrix(y_test, y_pred_class)
# 二分类的混淆矩阵结构是 [[TN, FP], [FN, TP]]，所以[0,1]就是假阳性的数量
fp_count_from_cm = cm[0, 1]

# 验证一下数量是否匹配
assert len(fp_samples) == fp_count_from_cm, "哎？假阳性数量对不上，检查下标签定义哦！"

整合到你的现有代码里 #

把这些步骤加到你原本的工作流程里，完整代码大概是这样：

from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import confusion_matrix

# 假设X是已经完成文本向量化的特征矩阵，y是二分类标签（0/1）
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.20, random_state=42)

# 模型训练流程
nb = MultinomialNB()
nb.fit(X_train, y_train)
y_pred_class = nb.predict(X_test)

# 提取假阳性样本
fp_mask = (y_test == 0) & (y_pred_class == 1)
fp_samples = X_test[fp_mask]

# 查看结果
cm = confusion_matrix(y_test, y_pred_class)
print(f"混淆矩阵:\n{cm}")
print(f"筛选出的假阳性样本数量: {len(fp_samples)}")

这样你就轻松拿到所有被模型误判的假阳性样本数组啦！

内容的提问来源于stack exchange，提问作者grantaguinaldo