Execution Context
混淆矩阵功能计算一个全面的表格，用于展示预测结果与实际标签之间的对应关系。它计算精确的指标，包括准确率、精确率、召回率和 F1 分数，以评估二元或多分类模型的性能。该工具对于识别特定类型的错误至关重要，例如在医学诊断中的假阴性和在欺诈检测系统中的假阳性。通过将真阳性、假阳性、真阴性和假阴性结果汇总到一个结构化的输出中，它使数据科学家能够优化分类器阈值，并提高整体系统的可靠性。
该函数通过接收来自训练或推理流程的原始预测数组和真实标签来初始化。
然后，它执行一种矩阵计算算法，该算法将预测的类别与实际观测值进行交叉比对，以填充单元格计数。
最后，系统会计算统计指标，并将结果格式化为标准的JSON结构，以便进行后续分析。
Operating Checklist
从源数据集获取预测结果集合和真实标签。
验证数组长度和数据类型，以确保计算的完整性。
通过将预测的类别与实际标签进行匹配，填充矩阵中的单元格。
计算衍生指标，并对结果进行格式化，以供企业报告使用。
Integration Surfaces
输入数据验证
系统在开始计算之前，会验证预测数组是否与真实数据的维度和数据类型相匹配。
矩阵计算引擎
核心算法计算真阳性、假阳性、真阴性和假阴性的细胞频率。
指标推导模块
该引擎根据填充的混淆矩阵值，计算准确率、精确率、召回率和 F1 分数。
