1、混淆矩阵
- 混淆矩阵:用来评估模型分类的正确性,该矩阵是一个方阵,矩阵的数值用来表示分类器预测的结果数量。
- 真正例(True Positive):预测值为正例(Positive),预测结果正确(True),即实际值为正例。
- 假正例(False Positive):预测值为正例(Positive),预测结果错误(False),即实际值为负例。
- 真负例(True Negative):预测值为负例(Negative),预测结果正确(True),即实际值为负例。
- 假负例(True Negative):预测值为负例(Negative),预测结果错误(False),即实际值为正例。
以下例子利用鸢尾花数据集来进行分类预测,并输出一个混淆矩阵:
import numpy as np
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import confusion_matrix
import matplotlib.pyplot as plt
import warnings
plt.rcParams["font.family"] = "SimHei"
plt.rcParams["axes.unicode_minus"] = False
plt.rcParams["font.size"] = 12
warnings.filterwarnings("ignore")
iris = load_iris()
X, y = iris.data, iris.target
X = X[y != 0, :] # 去除类别0,使用类别1和类别2进行二分类
y = y[y != 0]
y[y == 1] = 0 # 将类别1重定义为0,将类别2重定义为1,符合0和1的习惯
y[y == 2] = 1
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=2)
lr = LogisticRegression()
lr.fit(X_train, y_train)
y_hat = lr.predict(X_test)
# 传入真实值与预测值,创建混淆矩阵。
matrix = confusion_matrix(y_true=y_test, y_pred=y_hat)
print(matrix)
---------------------
[[15 1]
[ 1 8]]
将混淆矩阵可视化,更加清晰明了:
mat = plt.matshow(matrix, cmap=plt.cm.Blues, alpha=0.5)
label = ["负例", "正例"]
ax = plt.gca()
ax.set(xticks=np.arange(matrix.shape[1]), yticks=np.arange(matrix.shape[0]),
xticklabels=label,</