python 混淆矩阵 画图_机器学习中常用的评估指标混淆矩阵

机器学习中常用的评估指标，大体上可以从两种任务来分析：分类任务和回归任务。常见的评价方法又包括混淆矩阵、准确率、敏感度、特异性、ROC曲线、AUC值等等。

此专栏将对常见的评价指标进行介绍，将从概念、原理、到代码实现。将采用图文并茂的形式展开。第一章我们从混淆矩阵开始

01

在某一指定阈值下，对模型预测结果的统计：

1.矩阵的一行表示预测类中的实例(可以理解为模型预测输出，predict)；

2.矩阵的一列表示对该预测结果与标签(Ground Truth)比较，给出预测结果是否正确，正确为True，反之为False

• 真正(True Positive , TP)：被模型预测为正(P)，预测对了(T)。

• 假正(False Positive , FP)：被模型预测为正(P)，预测错了(F)。

• 假负(False Negative , FN)：被模型预测为负(N)，预测错了(F)。

• 真负(True Negative , TN)：被模型预测为负(N)，预测对了(T)。

• 真正率(True Positive Rate,TPR)：TPR=TP/(TP+FN)，即被预测为正的正样本数 /正样本实际数。

• 假正率(False Positive Rate,FPR) ：FPR=FP/(FP+TN)，即被预测为正的负样本数 /负样本实际数。

• 假负率(False Negative Rate,FNR) ：FNR=FN/(TP+FN)，即被预测为负的正样本数 /正样本实际数。

• 真负率(True Negative Rate,TNR)：TNR=TN/(TN+FP)，即被预测为负的负样本数 /负样本实际数/2

举个栗子

y_true =  ["tb", "tb", "normal", "tb", "normal", "normal", "normal"]
y_pred = ["tb", "tb", "normal", "normal", "normal", "tb", "normal"]

此时，得到下面这样一个混淆矩阵：

sklearn相应的包：sklearn.metrics.confusion_matrix

from sklearn.metrics import confusion_matrix# y_pred是预测标签
y_pred, y_true =[1,0,1,0], [0,0,1,0]
c_matrix = confusion_matrix(y_true=y_true, y_pred=y_pred)# array([[2, 1],#        [0, 1]], dtype=int64)
print(c_matrix)

总结：到这里，我们发现了一个问题，就是混淆矩阵是在某一阈值下得到的结果。阈值的不同也将导致混淆矩阵结果的不同，这样就显得特别的不客观。

那有没有什么方法，能够更加全面的评价呢？有的，我们在之后的内容中继续学习。喜欢欢迎关注哦，持续更新中。

往期回顾

1. Python数据系列(一)- 列表List：Python的“苦力”

2. Python数据系列(二)- 字典Dictionary：Python的“大胃王”

3. Python数据系列(三)- 元组Tuple：Python的“不可变序列”

4. Python数据系列(四)- 数组array-NumPy：Python的“运算加速氮气”

5. 深度学习常见评价指标(一)- 图像语义分割

6. 深度学习常见评价指标(二)- 图像分类任务