[sklearn] 混淆矩阵——多分类预测结果统计

最新推荐文章于 2022-08-26 21:09:44 发布
最新推荐文章于 2022-08-26 21:09:44 发布
阅读量2.4k 收藏 2
点赞数 2
分类专栏： Python 机器学习 强化学习 文章标签： sklearn
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Shadow_heaven/article/details/100185176
版权 
调用的函数：confusion_matrix(typeTrue, typePred)
  typeTrue：实际类别，list类型
  typePred：预测类别，list类型结果如下面的截图：
  第i行：实际为第i类，预测到各个类的样本数
  第j列：预测为第j类，实际为各个类的样本数

true↓ predict→

尘玦Onya
关注
  • 2
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
python sklearn包——混淆矩阵、分类报告等自动生成方式
09-17
今天小编就为大家分享一篇python sklearn包——混淆矩阵、分类报告等自动生成方式，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
混淆矩阵的生成（python实现，含机器学习方法）
一名在读大学生，正在学习深度学习，会定期分享一些该领域内容。欢迎大家一起交流学习~
08-08 2791
使用混淆矩阵可以计算多个衡量分类器性能的指标，如准确率（Accuracy）、精确率（Precision）、召回率（Recall，也称为敏感度或真正例率）和 F1 值等。准确率（Accuracy）：分类器预测正确的样本占总样本数的比例，计算公式为 (TP + TN) / (TP + TN + FP + FN)。召回率（Recall）：正例被正确预测为正例的比例，计算公式为 TP / (TP + FN)。精确率（Precision）：正例预测正确的比例，计算公式为 TP / (TP + FP)。
【python&sklearn】机器学习，分类预测常用练手数据——鸢尾花数据集
09-27
【内容介绍】 python，sklearn机器学习，logstic等各种回归常用的鸢尾花数据集，含训练集和测试集，csv格式，其中训练集包含鸢尾花特征及标签数据120组，测试集包含特征及标签数据30组。 【适用场景】 需要一些练手分类数据集或采用sklearn下载相关数据集遇到问题的python机器学习初学阶段 【所需条件】 建议使用pandas等python表格数据工具包进行导入，数据格式为常见的csv表格形式
画图oringin
05-17
Origin平台由美国艺电游戏公司（Electronic Arts Inc，简称EA）于2011年正式发布，EA重金打造的全方位游戏社交平台，其Mac版于2012年底开始公开测试。Origin平台集游戏数字版购买、实体版激活、下载、数据云存储、社交等功能于一体，并且正在逐步增加更多功能。它能帮助您与好友沟通，购买并管理您的游戏，掌握最新的游戏资讯和发行信息。
一篇文章学会二分类评估器---混淆矩阵
qq_63119830的博客
08-26 1253
对于“ROC曲线”和“精度/召回率曲线”他们两者我们应该如何选择？1.如果正类非常的少见或者你更关注假正类，而不是假负类时，你应该选择“精度/召回率曲线”2.反之你应该选择“ROC曲线”
深度学习自学记录（3）——两种多分类混淆矩阵的Python实现（含代码）
12-21
深度学习自学记录（3）——两种多分类混淆矩阵的Python实现（含代码）1、什么是混淆矩阵2、分类模型评价指标3、两种多分类混淆矩阵3.1直接打印出每一个类别的分类准确率。3.2打印具体的分类结果的数值4、总结 1、什么是混淆矩阵 深度学习中，混淆矩阵是ROC曲线绘制的基础，同时它也是衡量分类型模型准确度中最基本，最直观，计算最简单的方法。它可以直观地了解分类模型在每一类样本里面表现，常作为模型评估的一部分。它可以非常容易的表明多个类别是否有混淆（也就是一个class被预测成另一个class）。 首先要明确几个概念： T或者F：该样本 是否被正确分类。 P或者N：该样本 原本是正样本还是负样本
sklearn 实现混淆矩阵的计算
最新发布
04-26
混淆矩阵
使用Python和sklearn库生成混淆矩阵的实例
02-06
混淆矩阵
真假正负例、混淆矩阵、ROC曲线、召回率、准确率、F值、AP
William Zhao's notes
12-20 1万+
一、假正例和假负例 假正例（False Positive）：预测为1，实际为0的样本 假负例（False Negative）:预测为0，实际为1的样本 实际预测中，那些真正例（True Positive）和真负例（True Negative）都不会造成损失（cost）。 那么，我们假设一个假正例的损失是LFP，一个假负例的损失是LFN。 我们可以得
数据分析必学技能：混淆矩阵原理详解，Python调用实战
艰难困苦，玉汝于成。
02-11 5170
目录前言一、原理详解二、混淆矩阵的相关API介绍以及样例总结 前言 混淆矩阵用来评估分类的准确性。 一、原理详解 混淆矩阵：混淆矩阵是将真实值与预测值匹配以及不匹配的项一起放入到矩阵中，它可以清楚的反映出真实值和预测值相同的地方，也可以反映出与预测值不相同的地方，举一个多分类的例子。
sklearn 多分类任务与多标签分类任务的计算
乾坤瞬间的博客
02-12 5637
#!/usr/bin/env python3# -*- coding: utf-8 -*-"""Created on Mon Feb 12 16:11:26 2018@author: zhangll"""from sklearn import svmimport matplotlib.pyplot as plt #from sklearn import datasets # 数据源类(里面包含各种...
朴素贝叶斯 混淆矩阵，2分类下的混淆矩阵，精确率与召回率，F1-score
ck784101777的博客
07-25 6277
目录 1.混淆矩阵 2.精确率(Precision)与召回率(Recall) 3.F1-score 4.sklearn API接口 参考文档 1.混淆矩阵 混淆矩阵就是分别统计分类模型归错类，归对类的观测值个数，然后把结果放在一个表里展示出来。这个表就是混淆矩阵。 在分类任务中，预测结果与正确标记之间存在四种不同的组合，构成混淆矩阵，以下是二分类的混淆矩阵： 假设有一组数据集，一共有66个样本，三个目标值，猫、狗、猪。 混淆矩阵为： 关于这个混淆矩阵，从真实值为猫这一列开始看，代.
分类模型——多分类 用spss预测鸢尾花的种类
nahnah_的博客
06-17 4325
分类模型——多分类 用spss预测鸢尾花的种类
[Python] 如何用Anaconda下载包/安装本地包zip&.tar.gz
热门推荐
日渐头秃
04-19 3万+
先说在线安装，首先打开Anaconda Prompt，就是Anaconda的命令行 1. 用conda install pkgname即可，pkgname为包名 2. 当找不到包的时候，尝试下面的语句 conda install -c conda-forgepkgname 3. 依旧找不到的话，用下面的搜索包名，进行最后尝试 anaconda search -t con...
[TensorFlow] 如何启动打开TensorBoard(附测试代码)
日渐头秃
03-14 2806
安装TensorFlow后，TensorBoard是会一起被安装好的。 运行代码，没有问题的话，会在代码所在的文件夹里生成一个文件夹，如 E:\CodeDir\logs 确认下tensorboard是否在环境变量里（其实最后的语句能运行就好，运行不了再来检查） 打开cmd，运行命令：tensorboard --logdir E:\CodeDir\logs 这个目录就是刚刚找到的那个文件...
[Linux] 搭建Python的虚拟环境以及安装/更新/卸载包
日渐头秃
07-17 2643
1、安装virtualnev sudo apt-get install virtualenv 或 pip3 install virtualenv 2、创建自己的虚拟环境 cd ~ # 跳转到指定的安装目录 virtualenv --python=/usr/bin/python3 ./env # --python: 指定python环境的绝对路径 # ./env:...
[matplotlib] plt.ion()的动态显示（附测试代码）
日渐头秃
04-11 2519
在用matplotlib时，plt.ion()的动态显示始终显示不出来。 经测试。Pycharm需要让plot视图单独弹出视窗才可以动态显示。 File->Settings->Tools->Python scientific->取消Show plots in tool window前的√ 测试代码： import matplotlib.pyplot as...
[Python] Pandas中Dataframe的增删改查及其他常用操作[表格总结，随需求更新]
日渐头秃
09-01 1062
有一些通用的参数，比如 axis=0为行，1为列 index=指定行，columns=指定列 ascending=False倒序，True顺序 找不到代码时候试试会有惊喜 行 列 通用 通过标签选择数据 df[[...]] df.loc[' '] df[' '] df.loc[indexList,columnList] 通过位置选择...
sklearn 混淆矩阵
05-10
混淆矩阵（Confusion Matrix）是一种常用的模型评估指标，主要用于衡量分类模型的预测能力。sklearn混淆矩阵是scikit-learn中的一个调用函数，其作用是对分类模型的评估进行可视化和分析。 混淆矩阵的核心概念是分类预测结果的正确性，它将真实结果和预测结果进行比对，分为四个不同的类别：真正例（TP）、假负例（FN）、真负例（TN）和假正例（FP）。其中，真实结果为正例而预测结果也为正例的样本数是TP；真实结果为正例但是模型将其预测为负例的样本数是FN；真实结果为负例且模型将其预测为负例的样本数是TN；真实结果为负例但是模型将其预测为正例的样本数是FP。 在sklearn中，混淆矩阵是通过将分类结果中预测的结果和实际结果进行对比来计算的。混淆矩阵通过观察模型的预测结果，可以计算出模型的准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1-Score等重要性能指标。其中准确率表示分类的正确率，精确率表示分类为正例的样本中真正例占比，召回率表示真正例在所有实际正例中的比例，F1-Score是精确率和召回率的加权平均值，用于综合评价模型的性能。 混淆矩阵的可视化对于分类模型的评估和调优非常重要，可以通过观察分类结果的预测正确率来发现模型的潜在问题，并进行对应的调整。通过sklearn混淆矩阵的可视化，我们能够更加直观的理解分类模型的性能表现，并对模型的预测能力有一个更加全面的认识。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值