confusion_matrix默认按类别索引升序排列，需显式传入labels参数确保行列顺序与业务理解一致；seaborn.heatmap中xticklabels和yticklabels必须与labels严格匹配，归一化时需同步设置fmt和cbar_kws。
直接用 confusion_matrix + seaborn.heatmap 就能搞定，但默认输出的矩阵顺序和热力图标签容易对不上，这是最常踩的坑。
为什么 confusion_matrix 的结果看起来“反了”？
Scikit-learn 的 confusion_matrix 默认按类别索引升序排列：第 0 行是真实标签为 class 0 的样本预测分布，第 1 行是真实标签为 class 1 的……不是按你传入的 y_true 原始顺序。如果你的类别是字符串（比如 ['cat', 'dog']），它会自动映射为 0→'cat'、1→'dog'，但矩阵本身不带标签。
- 必须显式传入
labels=参数才能控制行列顺序，否则可能和你的业务理解不符 - 如果没指定
labels，且y_true/y_pred中类别不连续（比如跳过 0 直接从 1 开始），矩阵维度会出错 - 二分类时，默认把正类当作 label=1，所以 TN 在左上、TP 在右下——这和多数论文图示一致，但初学者常误以为左上是 TP
怎么让热力图坐标轴显示真实类别名？
用 seaborn.heatmap 画图时，xticklabels 和 yticklabels 必须和 confusion_matrix 的 labels 严格一致，否则行列错位。
python-script-generator
下载
快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。
- 推荐写法：
labels = ['negative', 'positive']→cm = confusion_matrix(y_true, y_pred, labels=labels)→heatmap(cm, xticklabels=labels, yticklabels=labels) - 别用
np.unique(y_true)动态推导 labels，顺序不可控；尤其当某类在测试集里完全没出现时，unique会漏掉该行/列 - 如果类别是数字但你想显示文字（如 0→'Low', 1→'High'），先用字典映射
y_true_str，再统一转成pd.Categorical并指定categories
画图时数值格式和颜色范围怎么调才靠谱？
默认热力图用绝对频次，但模型评估更关心比例（如每个真实类里的预测占比），这时得用 normalize='true' 或 'pred'，且 fmt 要同步改成 '.2f'。
立即学习“Python免费学习笔记（深入）”；
-
normalize='true'：每行加起来是 1.0（召回率视角）；normalize='pred'：每列加起来是 1.0（精确率视角）；normalize='all'：全矩阵归一到 1.0 - 加
cbar_kws={'format': '.2f'}防止颜色条显示科学计数法 - 避免用
annot=True却不设fmt：整数矩阵配'.d'，归一化矩阵配'.2f'，否则小数点后位数混乱 - 字体大小建议设
annot_kws={'size': 10}，不然小图里数字糊成一团
真正麻烦的是多分类场景下类别太多——热力图挤成一条色带，此时得考虑用 plt.figure(figsize=(8,6)) 手动调尺寸，或改用 plotly 做交互式缩放。另外，如果训练/验证集类别分布极不均衡，光看热力图容易忽略低频类，得配合 classification_report 一起看。
