调用confusion_matrix必须显式指定labels参数，按业务顺序排列；precision_score/recall_score的average需据场景选binary/macro/weighted；ROC曲线锯齿因离散预测分数，可用插值美化但AUC计算不受影响；plot_roc_curve已弃用，改用RocCurveDisplay或手动roc_curve+matplotlib。
sklearn.metrics.confusion_matrix 怎么用才不翻车
直接调 confusion_matrix 很容易拿到一个和你预期行列顺序对不上的矩阵——尤其当标签不是 0/1 或没显式指定 labels 参数时。它默认按升序排类别，但你的预测结果里可能是字符串（比如 "cat"/"dog"），排序后就变成 ["cat", "dog"]，而你画图时按 ["dog", "cat"] 去标轴，整个 TP/FN 就全反了。
实操建议：
- 永远显式传
labels参数，顺序按你业务理解的“正类在后”或“分类报告习惯顺序”来定，比如二分类常用labels=[0, 1]，多分类就写全labels=["neg", "pos"] - 别依赖
y_true和y_pred里自动推断的类别顺序；用np.unique(y_true)看一眼实际有哪些值，再决定labels - 拿到矩阵后立刻用
pd.DataFrame(cm, index=labels, columns=labels)转成带行列名的表，肉眼核对左上→右下是否是 TN→TP
precision_score / recall_score 的 average 参数选哪个
这个参数不是“随便选个就行”，它直接决定你算出来那个数字到底代表什么。选错会导致指标完全失真，比如你在做异常检测，只关心“查出多少真实异常”，却用了 average="macro"，那大量正常样本会把召回率往下拉，掩盖模型对少数类的实际表现。
常见场景对应选法：
立即学习“Python免费学习笔记（深入）”；
- 二分类且关注正类：固定用
average="binary"，并确保pos_label指向你定义的正类（比如pos_label="fraud"） - 多分类且各类重要性相当：用
average="macro"，但得接受它对小类过度敏感 - 多分类且样本不均衡、想看整体效果：优先
average="weighted"，它按支持度加权，更贴近实际预测误差分布 - 要分开展示每类指标：直接去掉
average，返回数组，再用classification_report看更清楚
ROC曲线画出来是折线而不是平滑曲线
不是代码错了，是 roc_curve 返回的点太少——它只在每个唯一预测分数处计算一次 TPR/FPR，如果你用的是树模型（如 RandomForestClassifier）或做了阈值截断（比如只输出 0/1），那所有样本预测概率就只有几个离散值，画出来自然是一条锯齿状折线。
解决办法取决于你的真实需求：
- 想看理论 ROC：换用能输出连续概率的模型，比如
LogisticRegression、LinearSVC(probability=True)，或者对树模型用predict_proba而不是predict - 评估 AUC 数值本身：没关系，
auc函数能正确处理离散点，只要输入是fpr和tpr数组就行 - 非要画“好看”的曲线：可以用
interpolate对 FPR 轴做线性插值，但注意这纯属可视化补救，不改变 AUC 计算逻辑
plot_roc_curve 已弃用，现在怎么画 ROC/AUC 最省事
plot_roc_curve 在 scikit-learn 1.2+ 里被标记为 deprecated，官方推荐用 RocCurveDisplay。但它不是简单替换函数名——它的 from_estimator 方法要求模型必须有 predict_proba 或 decision_function，而且不接受已经算好的 y_score，这点和旧版差异很大。
稳妥做法：
- 确认模型支持概率输出：
hasattr(clf, "predict_proba")，否则 fallback 到decision_function - 手动调
roc_curve(y_true, y_score)+auc(fpr, tpr)，再用 matplotlib 画，控制力最强 - 如果坚持用
RocCurveDisplay，必须传原始模型和验证集 X/Y，不能传预计算的分数；且注意它默认只画一条线，多模型对比得自己叠 call 多次 - 别忘了加
plt.plot([0, 1], [0, 1], linestyle="--", color="gray")画对角线，否则 AUC 是否有意义根本没法直观判断
真正容易被忽略的是：ROC 和 AUC 都假设正负样本的代价相同，且阈值可自由调节。现实中很多系统根本没法调阈值（比如风控策略已固化），这时候硬算 AUC 反而会误导判断。先想清楚你是不是真的需要它，比急着画图重要得多。
