混淆矩阵的一格计数，要连同行列标签与归一化方向阅读

一张分类结果表只留下九个数字，读者还无法确定每个错误属于哪类。scikit-learn 1.9.1的confusion_matrix文档定义，矩阵第i行、第j列的值，统计真实类别属于i、预测类别属于j的观察数。[1] 行列身份是定义的一部分；离开类别标签，某个非对角位置只能说明两种身份不同，还不能指出是哪一种类别被认成另一种。

官方例子给出六个真实标签与六个预测标签，类别为ant、bird和cat，并明确按这个顺序排列。例中ant对应的行是二、零、零；bird对应的行是零、零、一；cat对应的行是一、零、二。按该定义阅读，bird行中落在cat列的一，就表示一项真实为bird而预测为cat的记录。它不能反过来写成真实cat被预测为bird。这些是文档示例数字，并非本文训练模型的结果。

类别顺序也需要随表保留。labels参数可以重新排列类别，或选取其中一部分；若未指定，文档采用真实标签或预测标签中至少出现一次的类别，并按排序后的顺序组织。[1] 因此，两个矩阵的第一行即使数值相同，也应先核对标签列表。行号本身不替某种动物或业务类别保留固定位置，选择子集的矩阵也不能自动被视为全部类别的完整展示。

该函数还区分计数与归一化结果。normalize为None时不归一化；true按真实类别所在的行归一化，pred按预测类别所在的列归一化，all则相对于整个样本总体。[1] 同一个格子因采用不同基准，会回答不同问题：它在某个真实类别中占多少，与它在某个预测类别中占多少，所比较的集合并不相同。这里的差别来自参数定义，而不是模型突然改变了分类。

这个关系对结果表的转写尤其有用。假设报告保留了归一化后的数值，却删去normalize口径，读者便无法确定比例参照的是一行、一列还是总体。这个假设没有添加新的样本计算，只说明参数信息被省略后会损失什么。原文也提醒，其他资料可能采用不同的坐标轴约定，所以不能凭熟悉的表形，默认每个来源都把真实类别放在行上。

完整表述因而应把真实与预测的方向、类别顺序、计数或归一化口径连在一起。本文依据该版本API的定义与原示例，首次发布日期未知；没有运行分类器、比较模型优劣或选择业务阈值。矩阵在这里提供的是结果组织方式，具体数字的含义须由这些明确的标签与参数共同确定。