我正在使用一种机器学习方法来计算图像中的汽车。我有一个预测数据集，它是机器学习方法的预测输出和一个配对的“真实”数据集，它是人类浏览每张图像并计算汽车数量的结果。

以下是数据集的样例（请注意，实际数据集有 2500 个配对样本）：

import pandas as pd

d = {'true': [0,0,0,1,1,0,1,0,0,0,0,0,0,0,4,2,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1], 
     'predicted': [0,0,0,0,0,0,1,0,0,0,0,0,0,0,2,2,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,1]}
df = pd.DataFrame(data=d)

    true  predicted
0      0          0
1      0          0
2      0          0
3      1          0
4      1          0
5      0          0
6      1          1
7      0          0
8      0          0
9      0          0
10     0          0
11     0          0
12     0          0
13     0          0
14     4          2
15     2          2
16     0          0
17     0          0
18     0          0
19     0          0
20     0          0
21     0          0
22     0          0
23     0          0
24     0          1
25     0          0
26     0          0
27     0          0
28     0          0
29     0          0
30     0          0
31     0          0
32     1          1

我正在寻找一种向观众展示预测方法的方法，以便他们查看预测是否在统计上与真实观察结果相同，并可视化数据中的任何趋势（例如，预测方法有过度或不足预测的趋势） . 如果这些是分类数据，我会使用混淆矩阵，但是，我不确定如何处理这些以 0 为重的成对离散数据集。

我可以采取什么方法来统计比较预测数据集和真实数据集？