博文

在线绘制扇形二分类混淆矩阵

已有 144 次阅读 2026-10-22 16:45 |系统分类:科研笔记

做完一个分类模型，在整理结果时，往往需要先看准确率，同时也需要明确模型把多少阳性样本漏判成了阴性，又把多少阴性样本误报成了阳性。这就是混淆矩阵的用武之地。

▲ 论文 Figure 3A、B：两个外部测试队列的混淆矩阵

论文例子

《PLOS Digital Health》论文“Artificial intelligence for evaluation of magnetic resonance imaging-detected extramural vascular invasion in rectal cancer”用 nnUNet 模型识别直肠癌 MRI 上的壁外血管侵犯（mrEMVI）。图中 A、B 对应两个外部测试队列，将 AI 预测与资深放射科医师小组的共识结果对照，准确率分别为 81.5% 和 84.7%。四类计数还能告诉我们，模型错在误报还是漏判。[1]

用一个例子看懂四个数

假设有 100 个样本，真实结果为 40 个阳性、60 个阴性。模型找对了 32 个阳性，漏掉 8 个；判对了 54 个阴性，又把 6 个阴性误报为阳性。把预测与真实结果逐个核对、计数，就得到以下混淆矩阵。

真实类别 / 预测类别	预测阳性	预测阴性
实际阳性 40 个	TP＝32 真阳性	FN＝8 假阴性（漏判）
实际阴性 60 个	FP＝6 假阳性（误报）	TN＝54 真阴性

TP 是 True Positive，TN 是 True Negative，表示阳性和阴性都判对了；FP 是 False Positive，FN 是 False Negative，分别表示误报和漏判。这四个数还能用来计算常见的模型评价指标：本例一共判对了 86 个样本，准确率为 86%；40 个实际阳性中找出了 32 个，召回率为 80%；38 个预测阳性中有 32 个确为阳性，精确率约为 84.2%。综合精确率和召回率，F1 分数约为 82.1%；60 个实际阴性中判对了 54 个，特异度为 90%。[2,4]

指标	回答什么问题	计算公式	本例计算与结果
准确率 Accuracy	全部样本中，判对了多少例？	(TP＋TN) / 总数	(32＋54) / 100 ＝86%
召回率 Recall（敏感度）	实际阳性中，找出了多少例？	TP / (TP＋FN)	32 / (32＋8) ＝80%
精确率 Precision（阳性预测值）	预测为阳性的样本中，多少例是真的？	TP / (TP＋FP)	32 / (32＋6) ≈84.2%
特异度 Specificity	实际阴性中，判对了多少例？	TN / (TN＋FP)	54 / (54＋6) ＝90%
F1 分数	综合考虑精确率和召回率，表现如何？	2TP / (2TP＋FP＋FN)	(2×32) / (2×32＋6＋8) ≈82.1%

F1 是精确率和召回率的调和平均数，其中一项偏低，F1 也会受到影响；它的计算不使用 TN。召回率和精确率的分母不同：前者从实际阳性出发，看有没有漏掉；后者从预测阳性出发，看报出的结果是否可靠。

多分类也能这样画吗？

可以，但要先选定一个类别。比如 A、B、C 三分类，原始混淆矩阵有 3 × 3＝9 个数。把 A 当作阳性，把 B、C 合并为阴性，就能汇总出 A 类的 TP、FP、TN、FN；同理，三分类可得到三组计数，分别画成三张扇形图。[3]

不过，A 类图只能显示“有多少 A 被漏判”，看不出它们具体被分成了 B 还是 C。B 被错分成 C，在“是否为 A”的判断中也会计入 TN。因此，这种画法适合单独展示某一类的识别情况；想看完整的类别混淆关系，原始 3 × 3 矩阵更直观。

🛠️ 在线作图工具

https://www.bioinformatics.com.cn/two_catergory_confusion_matrix_quarters_plot

▲ 图 1：在线绘图页面

📋 五步完成混淆矩阵

Step 1：准备数据

点击图片上面的“示例数据”链接下载示例文件，用 Excel 打开。

示例文件在 Excel 中占 3 行 × 3 列，其中首行和首列是标签，真正的计数区为 2 × 2。Positive 表示阳性，Negative 表示阴性。按示例保留标签顺序，并核对 Actual（真实）与 Predicted（预测）对应的轴，避免把 FP 和 FN 放反。

▲ 图 2：示例数据

Step 2：输入检查（重要！）

点击“示例”按钮，示例数据会填入输入框。

真实数据请复制，粘贴到输入框。点击“输入检查”按钮，后台会逐行、逐列检查数据格式，并提示需要修改的地方。检查通过后再继续设置参数。

▲ 图 3：载入示例数据

如果检查未通过，按页面提示修改数据，然后重新检查，直到通过。

▲ 图 4：输入检查结果

Step 3：设置参数

输入检查通过后，进入参数设置。

▲ 图 5：绘图参数面板

【图片大小】图片宽度和高度控制图片画布大小。

【颜色】分别设置了小值和大值的颜色。

【字体设置】可分别设置轴说明文字（Positive、Negative）、图例标题、图例刻度数字、内圈数值及外圈类别的字号；字体可选 Times New Roman 或 Arial。

Step 4：提交出图

参数设置完成后，点击“提交”按钮，约1s后生成预览图。

▲ 图 6：预览图

Step 5：下载与后期编辑

平台提供 PDF、SVG、PNG 和 TIFF 格式下载。需要调整文字、字体或拼图时，可以使用 Adobe Illustrator 或 Inkscape 编辑 PDF 或 SVG。

✍️ 小结

读混淆矩阵，先看真实类别和预测类别，再看误报与漏判。二分类可以直接画成一张扇形图；多分类可按类别拆开画，但若想看清各类之间具体错分到了哪里，保留原始多分类混淆矩阵更直观。

📌 参数复用

预览图下方提供“复现参数（JSON）”下载链接。点击后可保存 JSON 文件，其中包含本次输入的数据和绘图设置。

▲ 图 7：下载参数文件

完成满意的版本后，建议把参数文件、图片和原始数据放在同一个文件夹中保存。下次作图时直接导入 JSON 文件，即可恢复数据和已设置的参数。

▲ 图 8：导入 JSON 文件，恢复数据和绘图设置

参考资料

[1] Huang H, et al. PLOS Digital Health, 2026, 5(10): e0001763. https://doi.org/10.1371/journal.pdig.0001763

[2] scikit-learn 官方文档 confusion_matrix：https://scikit-learn.org/stable/modules/generated/sklearn.metrics.confusion_matrix.html

[3] scikit-learn 官方文档 multilabel_confusion_matrix（多分类按一对其余方式转换）：https://scikit-learn.org/stable/modules/generated/sklearn.metrics.multilabel_confusion_matrix.html

[4] scikit-learn 官方文档分类评价指标：https://scikit-learn.org/stable/modules/model_evaluation.html#classification-metrics

微生信助力高分文章，谷歌学术10000+