混淆矩阵（confusion matrix）

最新推荐文章于 2024-08-19 20:05:05 发布

Amy_mm

最新推荐文章于 2024-08-19 20:05:05 发布

阅读量7.1k

点赞数

分类专栏：机器学习 python 文章标签：混淆矩阵

本文链接：https://blog.csdn.net/amy_mm/article/details/79907293

版权

本文介绍了混淆矩阵的概念，包括真阳性(TP)、真阴性(TN)、假阳性(FP)和假阴性(FN)，并展示了如何使用`sklearn`库实现混淆矩阵，以及显示混淆矩阵的matshow方法。此外，文章讨论了预测错误率、预测正确率、召回率、假正率、精确率和F1-score等关键评价指标的计算，并指出在`sklearn`中如何定制positive类。最后，文章探讨了Receiver Operating Characteristic (ROC)曲线和ROC AUC，强调好的模型应具备高TPR和低FPR，以在ROC曲线的左上方。

摘要由CSDN通过智能技术生成

git源码地址 https://github.com/xuman-Amy/Model-evaluation-and-Hypamameter-tuning

数据地址 https://archive.ics.uci.edu/ml/datasets/Breast+Cancer+Wisconsin+(Diagnostic)

True positive (TP) ：真实为P，预测为P

True negative (TN): 真实为N，预测为N

False positive (FP)：真实为N，预测为P

False negative (FN)：真实为P，预测为N

【sklearn 实现confusion matrix】

from sklearn .metrics import confusion_matrix
pipe_lr.fit(X_train, y_train)
y_pred = pipe_lr.predict(X_test)
conmat = confusion_matrix(y_true = y_test, y_pred = y_pred)
print(conmat)

用matshow显示出

# plot confusion matrix
fig, ax = plt.subplots(figsize = (2.5, 2.5))
ax.matshow(confmat, cmap = plt.cm.Blues, alpha = 0.3)
for i in range(confmat.shape[0]):
    for j in range(confmat.shape[1]):
        ax.text(x = j, y = i,          #ax.text()在轴上添加文本
                s