企业官网建设流程全解析

做分类模型绕不开一个基础工具——混淆矩阵。不管你是刚接触机器学习的小白，还是已经在调参路上摸爬滚打了一段时间的老手，只要用过sklearn里的confusion_matrix函数，大概率会觉得这东西挺“迷”的：明明就一个矩阵，怎么一会儿叫混淆矩阵，一会儿又叫误差矩阵？输出的结果到底怎么读？多分类的时候为什么数字对不上？这些问题我当年一个一个踩过，今天干脆把这块讲透，从原理到实操再到常见坑，一次聊完。

1. 混淆矩阵到底在解决什么问题

1.1 准确率骗了我一整周

先说一个我印象特别深的例子。很多年前我做了个二分类模型，数据集很不均衡，正样本只占5%左右。模型跑完一看精准度99%，我心里那个美，结果拿到业务方一测试直接被怼回来：模型根本没啥用，预测出来的正样本几乎全是错的。

问题出在哪？因为我只看准确率（Accuracy）。在这种极不平衡的数据里，哪怕模型什么都不学，无脑把所有样本预测成负类，准确率也有95%。这种表面上的高分完全掩盖了模型对少数类“一无所知”的事实。

后来我把预测结果和真实标签摆在一起，用混淆矩阵一看，真相立刻浮出水面：真正例（TP）只有可怜的几个，假负例（FN）却堆成了山。那一刻我才真正理解，为什么混淆矩阵是分类模型评估的“第一现场”——它把预测结果和真实结果之间的所有交错关系一次性铺开，哪类分得清、哪类分不清、模型在往哪个方向犯错，一目了然。

1.2 四个格子讲清楚：TP、FP、FN、TN

混淆矩阵对二分类来说就是一张2x2的表格，横着是预测标签，竖着是真实标签（或者反过来排列，不同资料习惯不同，但本质一样）。核心就四个格子：

• TP（真正例）：真实为正，预测也为正。比如模型判断“是垃圾邮件”，它确实就是垃圾邮件。
• FP（假正例）：真实为负，但预测为正。这是“误报”，也叫第一类错误。模型说“好邮件是垃圾邮件”，实际上人家是正常邮件。
• FN（假负例）：真实为正，但预测为负。这是“漏报”，也叫第二类错误。模型放过了垃圾邮件，把它当成正常邮件。
• TN（真负例）：真实为负，预测也为负。模型说“这不是垃圾邮件”，它确实不是。

注意：TP、FP、FN、TN里的第一个字母表示“预测对了还是错了”，第二个字母表示“预测成了什么”。别死记硬背，关键要理解“FN漏报、FP误报”这个直觉，后面算指标全靠它。

我当时自己记忆的一个小技巧：把“P”理解成“警察”，“N”理解成“平民”，TP就是警察抓到了真犯人，FP就是冤枉了平民，FN就是放了真犯人。一旦有了画面感，这四个格子永远不会搞混。

2. sklearn中confusion_matrix函数怎么用

2.1 API参数逐个拆解

sklearn.metrics里的confusion_matrix函数，签名大致是这样的：

from sklearn.metrics import confusion_matrix confusion_matrix( y_true, # 真实标签：一维数组或列表 y_pred, # 预测标签：一维数组或列表 labels=None, # 指定类别标签列表，不传则自动从y_true、y_pred中推导 sample_weight=None, # 样本权重，默认None normalize=None # 归一化方式：None、'true'、'pred'、'all' )

核心参数就四个，大部分场景下你只会用到前两个。labels参数是我特别想提醒大家注意的——如果你的数据里某些类别只在预测集里出现、真实集里没有，或者反过来，sklearn自动推导可能漏掉某些类别，导致矩阵维度对不上。手动传入labels可以强制让矩阵包含所有类别，这是多分类场景下的“保命”习惯。

normalize参数在三分类以上的场景我基本必用。不归一化时，矩阵里是原始样本数；归一化之后，每一行的数字会变成比例，方便比较“这个模型对每个类别的召回率怎么样”。具体怎么选，后面实操部分会详细讲。

2.2 一个10行代码看懂的入门实操

先来个最基础的操作。假设我们要判断一封邮件是不是垃圾邮件，模型预测和真实情况如下：

from sklearn.metrics import confusion_matrix y_true = ['正常', '垃圾', '正常', '垃圾', '垃圾', '正常', '正常', '正常'] y_pred = ['正常', '垃圾', '正常', '正常', '垃圾', '正常', '垃圾', '正常'] cm = confusion_matrix(y_true, y_pred, labels=['正常', '垃圾']) print(cm)

输出结果：

[[4 1] [1 2]]

先看行，第一行是“正常”，第二行是“垃圾”；再看列，第一列是“正常”，第二列是“垃圾”。所以第一行第一列的4表示：真实正常、预测正常的样本有4个；第一行第二列的1表示：真实正常、预测成垃圾的有1个，这就是FP（误报）；第二行第一列的1表示：真实垃圾、预测成正常的样本有1个，这就是FN（漏报）；第二行第二列的2表示：真实垃圾、预测也垃圾的样本有2个，TP。

这个例子虽然简单，但足够说明问题：混淆矩阵的行列顺序跟labels参数的顺序完全一致。如果你传labels=['垃圾', '正常']，矩阵的位置就会反过来。这也是无数人看反矩阵的第一大原因。

3. 多分类场景下的混淆矩阵：怎么读、怎么用

3.1 三分类以上，矩阵不再只是“四个格子”

很多教程讲完二分类就切到下一章，但实际工作中，多分类才是家常便饭。三分类的混淆矩阵是一个3x3的表格，每一行代表真实类别，每一列代表预测类别。对角线上的数字就是每个类别的“正确预测数”，对角线之外就是“错误预测数”。

来看一个例子。假设我们做一个识别水果的分类模型，类别是“苹果”“香蕉”“橙子”，测试集有30个样本：

import numpy as np from sklearn.metrics import confusion_matrix y_true = ['苹果', '香蕉', '橙子', '苹果', '苹果', '香蕉', '橙子', '橙子', '苹果'] * 3 y_pred = ['苹果', '香蕉', '橙子', '苹果', '橙子', '香蕉', '苹果', '橙子', '香蕉'] * 3 cm = confusion_matrix(y_true, y_pred, labels=['苹果', '香蕉', '橙子']) print(cm)

假设得到的矩阵是：

[[6 0 3] [0 6 0] [3 0 3]]

读法还是同一套逻辑：第一行是真实为“苹果”的9个样本里，有6个预测成了苹果、3个被误判成了橙子；第二行是真实为“香蕉”的9个样本全部预测正确；第三行是真实为“橙子”的9个样本里，3个预测成了苹果、6个预测正确。

多分类时最容易忽略的一个点：矩阵的行和到底等于什么？答案是每一行所有格子加起来一定等于这个类别在测试集里的真实样本总数。这个性质可以用来快速自查，防止行列读反或者数据对齐出错。

3.2 用matplotlib把混淆矩阵画出来

眼睛直接盯着一堆数字，总归不够直观。把混淆矩阵变成一张图，是我见谁都会推荐的做法。最简单的方式是直接调用sklearn的ConfusionMatrixDisplay，三行代码搞定：

import matplotlib.pyplot as plt from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay cm = confusion_matrix(y_true, y_pred, labels=['苹果', '香蕉', '橙子']) disp = ConfusionMatrixDisplay(confusion_matrix=cm, display_labels=['苹果', '香蕉', '橙子']) disp.plot(cmap='Blues') plt.show()

cmap参数可以换成其他颜色，比如'Oranges'、'Greens'，纯看个人喜好。如果你想把预测错误的格子单独标出来，可以手动用matplotlib画热力图，给对角线之外的格子加个边框或者换颜色：

import numpy as np import matplotlib.pyplot as plt fig, ax = plt.subplots(figsize=(6, 5)) im = ax.imshow(cm, cmap='Blues') ax.set_xticks(np.arange(len(cm_labels))) ax.set_yticks(np.arange(len(cm_labels))) ax.set_xticklabels(cm_labels) ax.set_yticklabels(cm_labels) ax.set_xlabel('Predicted label') ax.set_ylabel('True label') # 在每个格子中心写数字 for i in range(len(cm_labels)): for j in range(len(cm_labels)): ax.text(j, i, cm[i, j], ha='center', va='center', color='black') plt.tight_layout() plt.show()

画图这步没什么高深技术，但它带来的信息增益是巨大的。尤其是多分类模型做诊断时，视觉上看一眼哪个格子的颜色“异常深”，要比逐个读数字来得快得多。我至今还保留一个习惯：每次模型迭代之后，先出一张混淆矩阵图，再去看各种指标分数。数字会说谎，但分布不会。

3.3 normalize归一化：三种模式怎么选

confusion_matrix(..., normalize=...)有三种常见取值：

• normalize='true'：每一行除以该行的和，得到的是“真实类别中被预测成各个类别的比例”。这个就是每个类别的召回率视角，适合对比模型对哪个类别的敏感度高。
• normalize='pred'：每一列除以该列的和，得到的是“预测成该类别里面，真实来自哪个类别的比例”。这个其实就是精确率视角，适合看模型预测某个标签时的“纯度”如何。
• normalize='all'：用矩阵全部元素总和做归一化，得到的是“每个格子占全体样本的比例”，适合交代总体分布。

实际项目中我常用的是'true'，因为多分类时我最关心的是：真实样本中每个类别被“漏掉”多少。比如前面那个水果例子的矩阵，归一化后是：

[[0.67 0. 0.33] [0. 1. 0. ] [0.33 0. 0.33]]

一眼就能看出：苹果类别有33%的样本被误判成了橙子，橙子类别也有33%被误判成了苹果，香蕉完全正确。这个信息量，远比原始数字大。

4. 从混淆矩阵推导出核心评估指标

4.1 精确率、召回率、F1到底怎么算

二分类的四个基础格子算是搞明白了，接下来就是最实用的部分——从混淆矩阵里引出Precision（精确率）、Recall（召回率）和F1-Score。公式各自如下：

• 精确率：Precision = TP / (TP + FP)。分母是“预测为正的所有样本”，分子是“预测为正且确实为正的样本”。它回答的是：模型说“是”的时候，靠不靠谱？
• 召回率：Recall = TP / (TP + FN)。分母是“真实为正的所有样本”，分子同样是“预测正确的那部分正样本”。它回答的是：真实的正样本，模型到底抓回来多少个？
• F1-Score：2 * Precision * Recall / (Precision + Recall)。这是精确率和召回率的调和平均数，两个指标一个极端低、一个极端高都占不到便宜，适合需要同时权衡精召的场景。

还是用垃圾邮件的例子，前面那个矩阵的FP=1, FN=1, TP=2, TN=4。Precision = 2 / (2+1) ≈ 0.667，Recall = 2 / (2+1) ≈ 0.667，F1 = 0.667。如果你只看准确率，Acc = (4+2)/8 = 0.75，表面还行，但垃圾邮件的识别能力其实只有三分之二水平，这就是混淆矩阵视角带来的差异。

4.2 sklearn一行算出全套指标

每次手工算这些指标太蠢了，sklearn里直接有现成函数。最简单的办法是用classification_report：

from sklearn.metrics import classification_report report = classification_report(y_true, y_pred, labels=['苹果', '香蕉', '橙子']) print(report)

输出里面不仅包含每个类别的Precision、Recall、F1，还有一个accuracy和加权的macro avg、weighted avg。实体项目里我平时看报告看得比矩阵还多，因为报告直接给出了可读性最高的汇总。

如果你只需要单个指标的数值，也可以分开调用：

from sklearn.metrics import precision_score, recall_score, f1_score precision = precision_score(y_true, y_pred, average='macro') recall = recall_score(y_true, y_pred, average='macro') f1 = f1_score(y_true, y_pred, average='macro')

多分类时average参数特别重要：'macro'是每个类别的指标算出来再取平均，不管类别样本多少；'weighted'是按每个类别的样本数做加权平均；'micro'是全局统计TP、FP、FN、TN之后统一计算。项目里如果不确定用什么，我一般先看macro，再看weighted，两者差距过大的时候就要警惕类别不平衡带来的干扰。

4.3 样本不均衡：精确率和召回率之间的单选题

在小样本类别上，混淆矩阵最能暴露问题。我做过一个意图识别系统，其中“退货”这个意图训练样本特别少，其他意图都有几千条。模型的整体F1还行，但看了混淆矩阵才发现，“退货”类别的Recall只有0.3，也就是说70%的退货意图都被识别成了“售后”或者其他相关类别。

这种场景下，光靠classification_report里的accuracy根本发现不了问题，只有矩阵能让你看到“错到哪儿去了”——是错到语义相近的类别，还是完全乱猜。

这时候的选择题就来了：是要调高召回率（宁可多误报也要把退货识别出来），还是调高精确率（只报最有把握的）？操作上，一个常用手段是调整分类阈值，或者给模型加class_weight='balanced'，让占比较小的类别在损失函数里获得更大权重。但无论怎么调，都得先用混淆矩阵看清楚现状，否则就是闭眼调参。

5. 可视化排版与进阶玩法

5.1 给混淆矩阵补上比例和颜色映射

前面讲的手工绘图能跑通，但日常项目里我更推荐在此基础上加一点可视化增强：每个格子里同时显示样本数和行比例。这样既能看到绝对数量，又能快速判断该类别被误判的占比。

下面给一个可以直接抄走的增强版代码：

import numpy as np import matplotlib.pyplot as plt from sklearn.metrics import confusion_matrix def plot_confusion_matrix(y_true, y_pred, labels, title='Confusion Matrix'): cm = confusion_matrix(y_true, y_pred, labels=labels) cm_norm = confusion_matrix(y_true, y_pred, labels=labels, normalize='true') fig, ax = plt.subplots(figsize=(8, 6)) im = ax.imshow(cm, cmap='Blues') ax.set_xticks(np.arange(len(labels))) ax.set_yticks(np.arange(len(labels))) ax.set_xticklabels(labels) ax.set_yticklabels(labels) plt.setp(ax.get_xticklabels(), rotation=45, ha='right', rotation_mode='anchor') for i in range(len(labels)): for j in range(len(labels)): num = cm[i, j] ratio = cm_norm[i, j] text = f'{num}\n({ratio:.2f})' color = 'white' if num > cm.max() / 2 else 'black' ax.text(j, i, text, ha='center', va='center', color=color) ax.set_xlabel('Predicted label') ax.set_ylabel('True label') ax.set_title(title) fig.colorbar(im, ax=ax) plt.tight_layout() return fig

颜色映射用的是imshow的默认逻辑，数值越大颜色越深。格子中间的文本用“样本数+行比例”的组合，我用了很久，反馈一直不错，推荐给大家试试。

5.2 多标签分类和普通分类的混淆矩阵区别

多标签分类（Multi-label Classification）与多分类（Multi-class Classification）看着像、实则完全不同。多分类里一个样本只属于一个类别，多个类别互斥；多标签里一个样本可以同时命中多个标签，比如一篇文章既可以是“科技”又可以是“教程”。

如果直接拿多标签问题的预测结果去调用confusion_matrix，大概率会报错或者得到一堆shape对不上的尴尬结果，因为这个函数默认处理的是“每个样本只有一个真标签”的情况。多标签场景更合适的做法是，为每个标签单独构建一个二分类混淆矩阵，逐一计算Precision和Recall；或者用sklearn.metrics.multilabel_confusion_matrix，它会直接返回每个标签的二分类矩阵。

5.3 阈值怎么影响混淆矩阵

confusion_matrix接收的是明确的预测标签，但在真实模型里，sklearn的predict()背后其实是先把样本映射成概率，再拿一个默认阈值0.5来划分正负类。这个阈值变了，混淆矩阵的四个格子就会跟着变。

比如一个信用评分模型，如果把判定为“违约”的阈值从0.5降到0.3，更多样本会被预测成正类，TP和FP都会增加，但FN会减少，TN会减少——相当于用更高的误报率去换更低的漏报率。金融风控领域对漏报极度敏感，因为漏掉一个违约用户可能损失巨大，此时更低的阈值往往“划算”。

实操里想要找最优阈值，可以把0到1之间的每个候选值都跑一遍，画出ROC曲线或者Precision-Recall曲线，再根据自己的业务倾向去卡。用混淆矩阵构建“阈值-四指标”对照表，是我一直推荐的调参诊断法——它可以让你直观看到“牺牲多少精确率能换来多少召回率”。

6. 高频踩坑现场与排查技巧

6.1 标签顺序变了，矩阵也跟着变

这是我最常见到的低级错误，也是我自己早年踩过的大坑。confusion_matrix会自动从y_true和y_pred里推导类别列表，但推导出来的顺序很可能不是你预期的顺序。比如字符串标签按字母序排列，“苹果”在“香蕉”前面，“橙子”在最后；但如果你自己的业务标签顺序是“橙子、苹果、香蕉”，那矩阵行列就和业务文档对不上了。

解决方案很简单：永远显式传labels参数，顺序写清楚。哪怕只有两个类别，也建议写成labels=['负类', '正类']或者你业务定义好的顺序。这不仅让矩阵可读性更高，还能防止后续计算指标时因标签顺序错位导致的结果错误。

6.2 y_true和y_pred长度不一致

confusion_matrix要求y_true和y_pred长度严格一致，否则会直接抛错。看起来是很基础的要求，但一旦进入真实项目就很容易翻车：测试集可能经过train_test_split后索引变得不是从0开始，或者某些管线里对样本做了过滤导致预测结果和真实标签对不上。

我建议在调用函数前先打印两个数组的长度和类型检查一下：

assert len(y_true) == len(y_pred), f"length mismatch: {len(y_true)} vs {len(y_pred)}"

另外，还要确保两个数组的元素类型一致。比如一个存的是字符串'1'，另一个存的是整数1，sklearn会直接报错或者静默生成一个奇怪的矩阵。这个坑尤其隐蔽，因为打印出来看着都是1，实质上一个字符一个数字。

6.3 类别不平衡时的“大多数类主导”陷阱

二分类不均衡时，大多数类别会主导混淆矩阵的绝对数值，让少数类的错误看起来微乎其微。比如10000个负类和100个正类，即使模型把所有正类全漏掉，矩阵里右下角的TP也只有0，但整体看左上角TN可能高达9500，视觉上一片大好。

这种时候，我强烈建议除了confusion_matrix之外，再配合classification_report里的per-class指标看；或者直接把混淆矩阵按normalize='true'归一化，把每一行变成比例，重点看对角线上的数字高不高。归一化之后的矩阵是公平的，它不再受类别样本量的影响，每一行都代表“该类别的召回情况”，一眼就能看出谁是“重灾区”。

6.4 混淆矩阵不等于模型效果的全部

最后说一个心态层面的事。混淆矩阵确实强大，但它只是模型评估的一种视角，而不是全部。同一个矩阵可以衍生出Accuracy、Precision、Recall、F1等一堆数字，每个数字背后都藏着你对业务的理解和要求。我见过不少新人拿着混淆矩阵就以为万事大吉，完全不看ROC-AUC、PR-AUC、特征分布等更细的诊断图，结果模型上线后问题频出。

我个人的习惯是：先看混淆矩阵定方向，再看分类报告查细节，最后结合业务场景选指标、定策略。矩阵是“地图”，指标是“坐标”，两者结合在一起，你才知道自己到底在哪儿、模型到底有没有病、病在哪个器官。

7. 实操经验：一个端到端的小案例

7.1 训练一个简单模型并输出完整评估

写一个能直接复制的完整流程，让读者能一口气跑通。我拿鸢尾花数据集来做演示，三分类、数据集小、训练快，非常适合拿来理解整个评估链路。

from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay, classification_report # 1. 加载数据 data = load_iris() X, y = data.data, data.target # 这里把数字标签映射成文字，便于后面体验labels参数的写法 target_names = data.target_names # ['setosa', 'versicolor', 'virginica'] # 2. 切分数据集 X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.3, random_state=42, stratify=y ) # 3. 训练模型 clf = RandomForestClassifier(n_estimators=100, random_state=42) clf.fit(X_train, y_train) # 4. 预测 y_pred = clf.predict(X_test) # 5. 输出混淆矩阵 cm = confusion_matrix(y_test, y_pred, labels=[0, 1, 2]) print("Confusion Matrix:") print(cm) # 6. 可视化 disp = ConfusionMatrixDisplay(confusion_matrix=cm, display_labels=target_names) disp.plot(cmap='Blues') plt.show() # 7. 完整分类报告 print(classification_report(y_test, y_pred, target_names=target_names))

跑完后你会看到矩阵和报告一起输出。我建议新手一定把矩阵里的数字回到三类样本数量里验算一遍：每一行的和，是不是正好等于测试集里该类别的样本数？这个验算习惯一旦养成，之后遇到任何复杂数据集都不会再看错矩阵。

7.2 模型误判模式分析：矩阵给出调优方向

还是这个鸢尾花案例，假设跑出来的混淆矩阵里，versicolor和virginica这两个类别之间存在明显的互相误判——真实是versicolor的样本被预测成了virginica。这说明什么？直觉上，这两个类别的特征分布可能存在重叠，模型在边界附近拿不准。

此时可以往下挖：查看这两个类别在各特征维度上的分布差异，或者用PCA降维可视化看看它们的空间位置。如果真的很接近，可以考虑增加特征、收集更多边界样本、调整模型复杂度，或者干脆接受这个混淆程度并在业务侧把这两个类别合并处理。这整套思路，起点就是那一张小小的混淆矩阵。

我个人实际做项目的顺序通常是：混淆矩阵 -> 锁死主要错误组合 -> 回到样本层面看具体误判的个体特征 -> 针对性优化数据或模型 -> 再跑混淆矩阵看是否改善。这个循环走几轮，模型的真实水平会稳步上升，而不是被一份好看的accuracy报告“自欺欺人”。

8. 提问和调用时的常见细节，再啰嗦几句

8.1 混淆矩阵的坐标系不要搞反

时不时就会有人在网上问“为什么我传y_true在前、y_pred在后，画出来的矩阵对角线不对？”老规矩，函数的参数顺序是y_true, y_pred，第一个参数永远是真实标签，第二个是预测标签。把两个参数传反，得到的矩阵是转置后的结果，所有指标计算都会跟着出错。

调classification_report时也一样，第一个参数是y_true，第二个是y_pred。这类基础顺序问题，一旦在项目早期没注意，后面排查起来特别费劲，因为是“全盘皆错”，反而不容易定位。

8.2 版本升级带来的API变化

sklearn的API这些年一直在演化。早期版本里，大家喜欢直接调用plot_confusion_matrix，但从sklearn 1.0开始，官方推荐使用ConfusionMatrixDisplay，旧函数已标记为deprecated并在后续版本中移除。如果你在代码里看到一堆“deprecated”警告，多半是这类问题。

我现在的建议是：新项目统一使用ConfusionMatrixDisplay，别再用老的plot_confusion_matrix。如果你的工作环境里还有其他同事维护的旧代码，则要注意在升级sklearn版本前先做好兼容性检查，否则一不留神整个评估模块就崩了。

8.3 二分类的负类不要随便忽略

有些场景下，我们特别关心正类的指标，于是会把混淆矩阵只截取一部分来看，比如只看TP和FP。但只看局部会让你对模型的全局行为失去感知。比如FP很低、TP很高，这种情况下模型看起来很好，但如果负类样本量极大，FP的比例即使很低也意味着绝对数量不少，在业务上可能造成大量打扰用户的“误报”。所以无论正类多重要，负视角的四格最好还是整体看一遍。

混淆矩阵这个东西，理解了之后你会发现它特别像一个“数据透视表”——把模型预测和真实情况的所有交叉关系压缩到一张表里。你既可以从里面读原始计数，也可以加工出各种评估指标，还可以画成热力图做可视化汇报。在我的项目经验里，它几乎是每个分类任务开局的必备诊断工具。

我个人比较推荐的落地路径是：先跑一个baseline模型，立刻打印出混淆矩阵和classification_report；然后盯着矩阵里非对角线上的深色格子，思考这些错误是“业务不可接受的错”，还是“可以容忍的近邻混淆”；接着针对高风险错误类型做数据增强、调阈值或改模型结构；最后用同样的评估流程去验证每次改动。整个过程里，矩阵既是起点，也是终点。

再多说一个小技巧：在团队协作时，把混淆矩阵和对应的标签顺序、normalize方式一起贴在文档里，能省掉很多沟通成本。我见过太多次因为矩阵展示时行列标签没写清楚，导致数据科学家和业务同事在评审会上各说各话的情况了。画图时一定把坐标轴名称写全，Predicted label、True label一个都不要少，最好再把每一行的数值和比例都标上，这会让你的报告专业度明显提升。就分享到这儿，希望这篇对你有帮助。