二维矩阵每一列预测标签中的数字代表该类别预测值，每一行真实标签中的数字的总和代表的是该类别的真实总数量。
假设有一个用来对猫cat、狗dog、兔子rabbit进行分类的系统，混淆矩阵就是为了进一步分析性能而对该算法测试结果做出的总结。
假设总共有 27 只动物：8只猫， 6条狗， 13只兔子。结果的混淆矩阵如上图，在这个混淆矩阵中：
第一行猫类别实际真实有8只，但是分类系统将其中3只预测成了狗；
第二行狗类别实际真实有6只，但是分类系统将其中1只预测成了兔子，2只预测成了猫；
第三行兔子类别实际真实有13只，但是分类系统将其中2只预测成了狗；
从混淆矩阵中我们可以看出分类系统对于区分猫、狗存在一些问题，但是区分兔子的效果还算可以的。
分类系统所有正确的预测结果都在从左上角到右下角的斜对角线上，所以从混淆矩阵中可以很方便直观的看出预测哪里有错误。
监督学习：混淆矩阵
confusion_matrix(labels, predictions, num_classes=None, weights=None, dtype=tf.int32, name=None)
根据真实标签labels和预测标签predictions计算混淆矩阵。
矩阵的列表示预测标签predictions，矩阵的行表示真实标签labels。
混淆矩阵总是一个二维的形状数组[n,n]，其中n是给定分类任务的有效标签数。
预测标签predictions和真实标签labels必须是相同形状的一维数组，才能使此函数工作。
如果num_classes是None，那么num_classes将被设置为一个加上预测标签predictions或真实标签labels中的最大值。
类别标签应该从0开始。例如，如果num_classes是3，那么可能的标签是[0，1，2]。
如果weights不是None，则每个预测将其相应的权重贡献给混淆矩阵单元的总值。
例子:
tf.math.confusion_matrix([1, 2, 4], [2, 2, 4])
[[0 0 0 0 0]
[0 0 1 0 0]
[0 0 1 0 0]
[0 0 0 0 0]
[0 0 0 0 1]]
注意，可能的标签假定为[0，1，2，3，4]，产生5x5混淆矩阵。
Args:
labels: 用于分类任务的真实标签的一维张量。
predictions: 给定分类的一维预测张量。
num_classes: 分类任务可能具有的标签数。如果未提供此值，则将使用预测和标签数组计算该值。
weights: 形状与预测相符的可选张量
dtype: 混淆矩阵的数据类型
name: 作用域名称
Returns:
dtype类型的张量，其形状为[n,n]表示混淆矩阵，其中n是分类任务中可能的标签数目。
Raises:
ValueError：如果预测和标签都不是一维向量且形状不匹配，或者如果权重不是None且其形状与预测不匹配。
>>> import tensorflow as tf
>>> tf.math.confusion_matrix([1, 2, 4], [2, 2, 4]) #假设可能的标签是[0, 1, 2, 3, 4]，导致5x5混淆矩阵。
<tf.Tensor: id=27, shape=(5, 5), dtype=int32, numpy=
array([[0, 0, 0, 0, 0],
[0, 0, 1, 0, 0],
[0, 0, 1, 0, 0],
[0, 0, 0, 0, 0],
[0, 0, 0, 0, 1]])>
>>> tf.math.confusion_matrix([1, 2, 4], [2, 2, 4], num_classes=5)
<tf.Tensor: id=92, shape=(5, 5), dtype=int32, numpy=
array([[0, 0, 0, 0, 0],
[0, 0, 1, 0, 0],
[0, 0, 1, 0, 0],
[0, 0, 0, 0, 0],
[0, 0, 0, 0, 1]])>
来源：CSDN
作者：日萌社
链接：https://blog.csdn.net/zimiao552147572/article/details/104125078