Python机器学习：评价分类结果008多分类问题中的混淆矩阵

多分类问题中的混淆矩阵

#十分类问题
import matplotlib.pyplot as plt
import numpy as np

数据

from sklearn import datasets
digits = datasets.load_digits()
X = digits.data
y = digits.target

分割数据集

from sklearn.model_selection import train_test_split
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.8)

使用OvR方式解决分类问题

#默认使用OvR方式解决分类问题
from sklearn.linear_model import LogisticRegressionlog_reg = LogisticRegression()
log_reg.fit(X_train,y_train)
log_reg.score(X_test,y_test)

0.93115438108484

y_predict = log_reg.predict(X_test)

默认求解二分类问题，如果需要多分类问题求解则需要调整参数average='micro‘

#precision_score默认求解二分类问题，如果需要多分类问题求解则需要调整参数
from sklearn.metrics import precision_score
precision_score(y_test,y_predict,average='micro')
#recall 和 f1_score也有类似参数

0.93115438108484

混淆矩阵

from sklearn.metrics import confusion_matrix
confusion_matrix(y_test,y_predict)

array([[139,   0,   0,   0,   1,   0,   2,   0,   0,   0],[  0, 138,   0,   3,   0,   0,   3,   1,   2,   7],[  0,   2, 134,   6,   0,   0,   1,   0,   5,   0],[  0,   2,   2, 128,   0,   2,   0,   4,   1,   2],[  0,   1,   0,   0, 130,   0,   0,   8,   2,   1],[  0,   2,   0,   0,   1, 138,   1,   1,   1,   4],[  0,   1,   0,   0,   0,   0, 140,   0,   0,   0],[  0,   0,   0,   0,   0,   0,   0, 148,   2,   0],[  0,   5,   1,   0,   0,   3,   1,   0, 117,   3],[  0,   3,   0,   1,   0,   3,   0,   7,   1, 127]], dtype=int64)

绘制一下混淆矩阵

#绘制一下混淆矩阵
cfm = confusion_matrix(y_test,y_predict)
plt.matshow(cfm,cmap=plt.cm.gray)

继续处理，我们关注的是误判的

#继续处理
row_sums = np.sum(cfm,axis=1)#行方向求和
erro_matrix = cfm / row_sums # 计算错误比例
#把对角线数据（预测正确的设置为0）
np.fill_diagonal(erro_matrix,0)
erro_matrix

array([[0.        , 0.        , 0.        , 0.        , 0.00704225,0.        , 0.0141844 , 0.        , 0.        , 0.        ],[0.        , 0.        , 0.        , 0.0212766 , 0.        ,0.        , 0.0212766 , 0.00666667, 0.01538462, 0.04929577],[0.        , 0.01298701, 0.        , 0.04255319, 0.        ,0.        , 0.0070922 , 0.        , 0.03846154, 0.        ],[0.        , 0.01298701, 0.01351351, 0.        , 0.        ,0.01351351, 0.        , 0.02666667, 0.00769231, 0.01408451],[0.        , 0.00649351, 0.        , 0.        , 0.        ,0.        , 0.        , 0.05333333, 0.01538462, 0.00704225],[0.        , 0.01298701, 0.        , 0.        , 0.00704225,0.        , 0.0070922 , 0.00666667, 0.00769231, 0.02816901],[0.        , 0.00649351, 0.        , 0.        , 0.        ,0.        , 0.        , 0.        , 0.        , 0.        ],[0.        , 0.        , 0.        , 0.        , 0.        ,0.        , 0.        , 0.        , 0.01538462, 0.        ],[0.        , 0.03246753, 0.00675676, 0.        , 0.        ,0.02027027, 0.0070922 , 0.        , 0.        , 0.02112676],[0.        , 0.01948052, 0.        , 0.0070922 , 0.        ,0.02027027, 0.        , 0.04666667, 0.00769231, 0.        ]])

越亮犯错越多
把真值1预测成了9…

#越亮犯错越多
#把真值1预测成了9..
plt.matshow(erro_matrix,cmap=plt.cm.gray)
#之后就可以微调分类器。。

Python机器学习：评价分类结果008多分类问题中的混淆矩阵相关推荐

【机器学习】二分类问题中的混淆矩阵、准确率、召回率等 (Python代码实现)
文章目录混淆矩阵召回率与准确率准确度Accuracy sklearn代码示例混淆矩阵混淆矩阵(Confusion Matrix):将分类问题按照真实情况与判别情况两个维度进行归类的一个矩阵, ...
python逻辑回归训练预测_[Python] 机器学习笔记基于逻辑回归的分类预测
导学问题什么是逻辑回归(一),逻辑回归的推导(二 3),损失函数的推导(二 4) 逻辑回归与SVM的异同逻辑回归和SVM都用来做分类,都是基于回归的概念 SVM的处理方法是只考虑 support ...
机器学习中的混淆矩阵
在我们的机器学习教程(前面的章节Python和NumPy的神经网络和神经网络从头开始),我们实现的各种算法,但是我们没有正确地测量输出的质量.主要原因是我们使用非常简单的小数据集来学习和测试.在Neu ...
Python机器学习：梯度下降法008如何确定梯度计算的准确性，调试梯度下降法
#调试梯度 import numpy as np import matplotlib.pyplot as pltnp.random.seed(666) X = np.random.random(siz ...
Python机器学习：PCA与梯度上升：06scikit中的PCA
首先引入相关的包,并且声称两个维度的向量,他们具有一定的关系 from sklearn.decomposition import PCA import numpy as np X = np.empty ...
《Python机器学习——预测分析核心算法》——2.2　分类问题：用声纳发现未爆炸的水雷...
本节书摘来异步社区<Python机器学习--预测分析核心算法>一书中的第2章,第2.2节,作者:[美]Michael Bowles(鲍尔斯),更多章节内容可以访问云栖社区"异步社 ...
2021-4月Python 机器学习——中文新闻文本标题分类
试题说明试题说明任务描述基于THUCNews数据集的文本分类, THUCNews是根据新浪新闻RSS订阅频道2005~2011年间的历史数据筛选过滤生成,包含74万篇新闻文档,参赛者需要根据新闻 ...
python分类预测_《Python机器学习——预测分析核心算法》——2.6　多类别分类问题：它属于哪种玻璃...
本节书摘来异步社区<Python机器学习--预测分析核心算法>一书中的第2章,第2.6节,作者:[美]Michael Bowles(鲍尔斯),更多章节内容可以访问云栖社区"异步社 ...
机器学习-------评价分类结果
准确度的陷阱和混淆矩阵和精准率召回率准确度的陷阱准确度并不是越高说明模型越好,或者说准确度高不代表模型好,比如对于极度偏斜(skewed data)的数据,假如我们的模型只能显示一个结果A,但是1 ...

Python机器学习：评价分类结果008多分类问题中的混淆矩阵

多分类问题中的混淆矩阵

Python机器学习：评价分类结果008多分类问题中的混淆矩阵相关推荐

最新文章

热门文章