那么只需要统计gt和pre的所有组合变换后值为22的点的个数即可，统计完毕后逆向reshape成混淆矩阵（2，2）位置。以图像为例，如果在gt=1的像素处的预测结果为pre=2，混淆矩阵将会在（1,2）处+1，显然这样的方式效率太低。其中gt_label和pre_label是拉平转置后的ground truth和分类结果，使用bincount方法实现索引的统计，最后reshape还原为混淆矩阵的大

那么只需要统计gt和pre的所有组合变换后值为22的点的个数即可，统计完毕后逆向reshape成混淆矩阵（2，2）位置。以图像为例，如果在gt=1的像素处的预测结果为pre=2，混淆矩阵将会在（1,2）处+1，显然这样的方式效率太低。其中gt_label和pre_label是拉平转置后的ground truth和分类结果，使用bincount方法实现索引的统计，最后reshape还原为混淆矩阵的大

此文章根据B站【机器学习】【白板推导系列】整理，当作备忘，视频链接：公式推理比较多，新版加入了现代神经网络和深度学习部分比较硬核，讲述的是传统机器学习的基础模型，建议搭配《机器学习公式详解》一起使用模式识别领域介绍较多李老师现在还在更新课程，B站有链接和配套的PPT以及CoLab的作业链接。对于样本X=(x1,...,xn)n∗pX=(x_1,...,x_n)^{n*p}X=(x1​,...,xn