机器学习之混淆矩阵 confusion

1.这里介绍由 sklearn.metrics.ConfusionMatrixDisplay 所给出的关于混淆矩阵的一个小例子，来进行理解混淆矩阵及如何应用混淆矩阵来对数据进行分析

2.先了解混淆矩阵的一些基本信息，这里规定正类为1，负类为0

TP(True Positives): 预测为1，而真实的也为1 （即正类判断为正类，1判断为1）

TN(True Negatives): 预测为0，真实的也为0 （即负类判断为负类，0判断为0）

FP(False Positives): 预测为1，真实的为0 （即负类判断为正类，将0判断为了1）

FN(False Negatives): 预测为0，真实为1 （即正类判断为负类，将1判断为了0）

样本总数=25	预测为：0	预测为：1
真实为：0	TN = 12	FP = 1	真实的0总数：13
真实为：1	FN = 2	TP = 10	真实的1总数：12
	预测的0总数：14	预测的1总数：11

上方表格中，说明一下FN = 2 ,即表示预测为0的样本总的有14个，但是其中有2个样本咱预测成了0不过其真实的情况是为1，所以得到了FN = 2，即将本来是1的预测成了0（正类预测成了负类）。

为了便于理解，还可以将1理解成患病的情况，0是没病的情况，那么上面FN=2,则可理解成，将本来是患病的2个人预测成了没病，所以自然预测出问题了，他俩本来有病，但计算机预测他俩没病。

这个预测的数据，并非人为的凭空捏造，而是通过相关模型的建立及训练后，传入相关测试数据后，得到的预测数据。

而我们会想如果预测的数据和真实的数据情况一样的情况呢，即假设咱建立的模型很牛掰，预测的很准达到了100%正确，那么TN、FP、FN、TP的取值又该如何呢？即如下表情况：我们规定其真实的0的个数和上表一样还是13个，真实的1的个数仍旧为12，然后预测情况如下：

样本总数=25	预测为：0	预测为：1
真实为：0	13	0	真实的0总数：13
真实为：1	0	12	真实的1总数：12
	预测的0总数：13	预测的1总数：12

可以看到预测情况和真实的情况一样，即这种情况毫无疑问，预测准确率达到了100%，当然一般情况下，预测能力可达不到100%正确。

除上述外还需了解召回率（recall score）的相关信息，可从sklearn.metrics.recall_score 中进行了解，即使用TN、FP、FN、TP的相关值来计算的一个分数，进而评估该预测效果

3.接下来了解通过代码及运行结果来进行相关信息的理解及应用

3.1 基于SVC的方式来进行训练及预测

# 混淆矩阵 confusion matriximport matplotlib.pyplot as plt
import numpy as npfrom sklearn.datasets import make_classification
from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay
from sklearn.model_selection import train_test_split
from sklearn.svm import SVCfrom sklearn.metrics._classification import recall_scoreX, y = make_classification(random_state=0)
X_train, X_test, y_train, y_test = train_test_split(X, y,random_state=0)print("真实的 Y值:",y_test)# SVC 方式clf = SVC(random_state=0)clf.fit(X_train, y_train)predictions = clf.predict(X_test)print("预测的 Y值:",predictions)# SVC
#Y: [1 1 1 0 0 1 1 0 1 1 1 0 0 0 0 1 0 0 1 1 0 0 1 0 0]
#p: [1 0 1 0 0 1 1 0 0 1 1 0 0 0 0 1 0 0 1 1 1 0 1 0 0]
#      x             x                       x     cm = confusion_matrix(y_test, predictions)disp = ConfusionMatrixDisplay(confusion_matrix=cm)r = recall_score(y_test,predictions,average='macro')print("\n","recall score:" , r)disp.plot()plt.show()

控制台输出：recall score = 0.8782051282051282

混淆矩阵图像：

为了方便理解，不妨将混淆矩阵的各个模块添加上坐标，所以可以看到下图的各个模块坐标，坐标为（0,0）的模块样本数量有12个，（0,1）的有1个，（1,0）的有2个，（1,1）的有10个

首先通过对控制台输出的真实的 Y 值及预测的Y值进行分析，可以看到下图中打上红叉的地方，预测的Y值与真实值并不一样，所以可以看到混淆矩阵图上（1,0）的地方有2个，其代表的意思就是预测为0但实际为1的样本数量有2个，即 FN = 2；

又有（0,1）的模块有1个样本，即 FP = 1,表示为预测为 1但实际上是 0（将负类预测成了正类，0预测成了1）；

又有（0,0）的模块为12个，即 TN = 12,表示为预测为0，真实的也为0的有12个样本（负类预测成负类，0预测成了0）；

之后有（1,1）的模块为10个，即 TP = 10,表示为预测成1，真实的也为1的有10个样本（正类预测成正类，1预测成了1）。

3.2 基于逻辑回归的方式训练及预测

# 添加如下代码，且将SVC方式注释掉使用逻辑回归方式即可from sklearn.linear_model import LogisticRegression# SVC 方式
# clf = SVC(random_state=0)# 逻辑回归方式
clf = LogisticRegression(random_state=0)

可以发现recall score 分数较SVC的提高了些

可以发现对比之前的混淆矩阵，逻辑回归方式，（1,1）即 TP = 11，从TP = 10 提高到了 11，略有上升。

3.3 线性回归的方式训练及预测

# 添加线性回归的库，即调用线性回归的代码from sklearn.linear_model import LinearRegression# SVC 方式
# clf = SVC(random_state=0)# 逻辑回归方式
# clf = LogisticRegression(random_state=0)# 采用线性回归
clf = LinearRegression()clf.fit(X_train, y_train)predictions = clf.predict(X_test)predictions = predictions.astype(int)   # 将预测数据转为int类型

可以看到线性回归方式进行预测效果有些不太理想，recall score 降低了很多

从混淆矩阵来看，预测的效果，在预测为1且实际为1时的情况即TP的值下降了许多，该方式进行预测有点不太理想。

4.以上便为混淆矩阵的一些简单理解，总体来说，混淆矩阵表示相关数据情况，还是比较直观的。

机器学习之混淆矩阵 confusion_matrix相关推荐

[Python+sklearn] 计算混淆矩阵 confusion_matrix()函数
python sklearn 计算混淆矩阵 confusion_matrix()函数参考sklearn官方文档:sklearn.metrics.confusion_matrix. 功能: 计算混淆矩 ...
python 怎么调用矩阵第几行_第58集 python机器学习：混淆矩阵精度指标
混淆矩阵的精度计算公式为:精度=(TP+TN)/(TP+TN+FP+FN),也就是说,精度就是指正确的预测数目除以所有样本的数量. 准确率.召回率与f-分数:总结混淆矩阵还有几种方法,其中最常见的就是 ...
【机器学习】混淆矩阵详细介绍（代码+含义+解释）
文章目录一瞥图形介绍重要概念混淆矩阵延伸出的各个评价指标关键术语图形介绍同样的道理,这里我们采用recall来计算模型的好坏,也就是说那些异常的样本我们的检测到了多少,这也是咱们最初的目的 ...
Python混淆矩阵（confusion_matrix）FP、FN、TP、TN、ROC，FROC，精确率(Precision)，召回率(Recall)，准确率(Accuracy)，F1分数详述与实现
目录一.FP.FN.TP.TN 二.准确率(Accuracy).精确率(Precision).召回率(Recall).F1score 2.1.准确率(Accuracy) 2.2.召回率(Recall ...
python混淆矩阵,详解使用python绘制混淆矩阵（confusion_matrix）
这篇文章主要介绍了详解使用python绘制混淆矩阵(confusion_matrix),文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学 ...
python 混淆矩阵_绘制混沌矩阵
python因为有各种库的支持,所以功能格外强大.在可视化方面,目前用得较多的是matplotlib.在基于matplotlib.pyplot画带色标(colorbar)的图时候,往往为了美观和科研用 ...
Python绘图制作混淆矩阵图--简易版（改矩阵参数就能运行）
#confusion_matrix import numpy as np import matplotlib.pyplot as plt # classes = ['A','B','C','D','E ...
医学图像多分类的评价指标（包括混淆矩阵，metrics.classification_report等）
最近在做一个四分类的医学图像分类,记录下到处凑来的分类效果评价指标吧: y_true,y_pred,outProb 都是列表发现了一个问题:metrics.classification_report ...
混淆矩阵评价指标_机器学习：模型训练和评估——分类效果的评价
图 | 源网络文 | 5号程序员分类模型建立好后,这个模型到底符不符合要求要怎么评判呢? 事实上是有评价标准的. 要评价模型在测试集上预测结果的好坏,可以使用Sklearn库中的metrics模块方 ...
混淆矩阵评价指标_机器学习模型评价指标 -- 混淆矩阵
机器学习模型评价指标 – 混淆矩阵在机器学习领域中,混淆矩阵(confusion matrix)是一种评价分类模型好坏的形象化展示工具.其中,矩阵的每一列表示的是模型预测的样本情况:矩阵的每一行表示 ...

机器学习之混淆矩阵 confusion_matrix

机器学习之混淆矩阵 confusion_matrix相关推荐

最新文章

热门文章