sklearn(十一)计算混淆矩阵：confusion_matrix和multilabel_confusion_matrix

最新推荐文章于 2024-07-16 04:16:35 发布

凝眸伏笔

最新推荐文章于 2024-07-16 04:16:35 发布

阅读量1.2w

点赞数 10

分类专栏：评价指标文章标签：机器学习混淆矩阵

本文链接：https://blog.csdn.net/pearl8899/article/details/115730187

版权

评价指标专栏收录该内容

33 篇文章 33 订阅

订阅专栏

本文介绍了混淆矩阵在二分类和多分类任务中的应用，详细解释了查准率和召回率，并提供了使用sklearn库计算和可视化混淆矩阵的代码示例。同时，讨论了多标签混淆矩阵（MCM）的计算方法，它通过one-vs-rest策略转化多分类问题。通过实例展示了如何解读混淆矩阵，帮助识别模型预测中的常见错误和类别混淆情况。

摘要由CSDN通过智能技术生成

1.混淆矩阵confusion_matrix

适用于二分类、多分类。

每一行之和表示该类别的真实样本数量，每一列之和表示被预测为该类别的样本数量。

1.分类模型之混淆矩阵：
            每一行和每一列分别对应样本输出中的每一个类别，行表示实际类别，列表示预测类别。
                        A类别    B类别    C类别
                A类别    5        0        0
                B类别    0        6        0
                C类别    0        0        7

            查准率 = 主对角线上的值 / 该值所在列的和
            召回率 = 主对角线上的值 / 该值所在行的和
 获取模型分类结果的混淆矩阵的相关API：
            import sklearn.metrics as sm
            sm.confusion_matrix(实际输出, 预测输出)->混淆矩阵

例子如下，从下面矩阵中，我们能看出来，预测错误分到的类别，看看哪些类别更容易混淆，例子中的第四类，有122个预测为了第三类，说明跟第四类跟第三类容易混淆，仔细看了下文本内容，二者确实难舍难分。

    import sklearn.metrics as sm
    matrixes = sm.confusion_matrix(labels, predicts)
    print(matrixes)

输出：
[[ 71   1   2   0]
 [  7 203  10   0]
 [  2  32 139   1]
 [ 32  88 122  40]]

    import matplotlib.pyplot as mp
    mp.figure('Confusion Matrix')
    mp.xticks([])
    mp.yticks([])
    mp.imshow(matrixes, cmap='gray')
    mp.show()

画图如下，颜色越深，说明分错的越少。

2.`multilabel_confusion_matrix`

只用于多分类。

sklearn.metrics.multilabel_confusion_matrix 是 scikit-learn 0.21 新增的一个函数。看名字可知道是用来计算多标签的混淆矩阵的。不过也可以用它来计算多分类的混淆矩阵。MCM将多分类数据转化为2分类问题，采用one-vs-rest策略，即某一类为正样本，其余类别为负样本。每一类都作为正样本，计算混淆矩阵。按标签的顺序返回所有。MCM 返回的每一个二分类混淆矩阵中，TN 在 [0, 0] ，FN 在 [1, 0] 是 , TP 在[1,1], FP 在 [1, 0] , 即

TN	FP
FN	TP

例子如下，这个例子严格按照上面表格中TN、FP、FN、TP来统计结果，看不出来某一类错分到了哪一类。数据解读：第一个类别的数据：TN=635 FP=41
FN=3 TP=71。

    from sklearn import metrics
    mcm = metrics.multilabel_confusion_matrix(labels, predicts)
    print(mcm)
输出：
[[[635  41]
  [  3  71]]

 [[409 121]
  [ 17 203]]

 [[442 134]
  [ 35 139]]

 [[467   1]
  [242  40]]]

参考：

1.混淆矩阵：https://www.cnblogs.com/jiangkejie/p/13087490.html