混淆矩阵和F1分数必须一起用，单看F1易误判模型在不平衡数据上的真实表现；混淆矩阵能暴露F1掩盖的漏检（如把癌症患者判为健康），而sklearn.metrics.ConfusionMatrixDisplay可快速绘制带数字标签的热力图，支持中文、自定义类别顺序与字体调整，且需确保y_true与y_pred顺序一致、类别对齐，F1的average参数（macro/micro/weighted）决定统计口径，二分类时须明确pos_label，验证集F1高但线上漏检严重往往因正类召回率低却被加权平均掩盖，务必结合classification_report查recall、precision、support三指标。
直接看结果：混淆矩阵和F1分数必须一起用，单看F1容易误判模型在不平衡数据上的真实表现；混淆矩阵能暴露F1掩盖的漏检（如把癌症患者判为健康）。
怎么快速画出带数字标签的混淆矩阵
别手写热力图——sklearn.metrics.ConfusionMatrixDisplay 是最省事的选择，它自动对齐类别、支持中文标签、可直接调用 plot() 渲染。关键点是传入 y_true 和 y_pred 时，确保两者顺序一致且未被 shuffle 过；若用了 train_test_split，记得设 shuffle=False 或保存原始索引。
常见错误：ConfusionMatrixDisplay.from_predictions(y_test, y_pred) 报错“y_true and y_pred have different lengths”，大概率是预测时用了整个数据集但 y_test 只取了部分样本，检查是否误将 model.predict(X) 用于全量 X 而非仅 X_test。
- 类别顺序默认按 sorted(unique(y_true)) 排，若想自定义（如 ['negative', 'positive']），传入
display_labels=['negative', 'positive'] - 数字标签默认显示整数，若需百分比，在
plot()后加ax.text()手动覆盖，或改用plt.matshow()+plt.xticks()组合 - 多分类时矩阵可能太密，用
plt.rcParams['font.size'] = 8缩小字体再plt.tight_layout()
F1分数该用 macro、micro 还是 weighted
f1_score 的 average 参数不是风格选项，而是统计口径选择，直接影响数值含义：
立即学习“Python免费学习笔记（深入）”；
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
-
macro：先对每个类算 F1，再简单平均——对少数类敏感，适合关注各类均衡性能（如医疗多病种识别） -
micro：先汇总所有类的 TP/FP/FN，再算全局 F1——等价于准确率（accuracy），适合样本总量大、关注整体预测质量的场景（如广告点击预估） -
weighted：按各类样本数加权平均——最贴近业务实际影响，尤其当测试集分布接近线上流量时推荐
坑点：二分类默认 average='binary'，此时 pos_label 必须明确指定（如 pos_label=1 或 pos_label='malignant'），否则可能把负类当正类算 F1，结果完全反向。
为什么验证集上 F1 高但线上漏检严重
典型症状：混淆矩阵里“负→正”（假阳）少，但“正→负”（假阴）多，而 f1_score(average='macro') 因正类 F1 拉低整体值，你却只看了 average='weighted' 的高分，忽略了正类召回率（Recall）本身已跌破 0.4。
必须查的三个指标（用 classification_report 一行输出）：
-
recall（真正率）：正样本里被找出来的比例，医疗/风控场景常要求 >0.9 -
precision（精确率）：所有标为正的预测里，真为正的比例，推荐系统常更看重这个 -
support：各类样本数，一眼看出测试集是否失衡（如正类仅 37 个，F1=0.85 也没意义）
若 recall 持续偏低，优先检查特征是否缺失强判别信号（如肿瘤影像中没提取边缘纹理特征），而非调参。
混淆矩阵右下角那个“正→负”的数字，永远比 F1 分数多一层现实重量——它对应一个具体的人、一笔损失、一次服务中断。别跳过它直接报 F1。
