从混淆矩阵中计算每一类的分类精度，Recall或Sensitivity，Positive predictive value (PPV),speciall----python实现

最新推荐文章于 2024-05-17 14:08:45 发布
最新推荐文章于 2024-05-17 14:08:45 发布
阅读量4.6k 收藏 11
点赞数 2
文章标签： python 大数据
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/weixin_42985512/article/details/103581697
版权
我们接下来使用sklearn.metrics 提供的混淆矩阵的计算from sklearn.metrics import confusion_matrix #引用方式y_true = [2, 0, 2, 2, 0, 1]y_pred = [0, 0, 2, 2, 0, 2]confusion_matrix(y_true, y_pred)#官方提供的示例代码然后就得到了多类别的混淆矩阵...
摘要由CSDN通过智能技术生成

**在两类情况下的混淆矩阵，摘自维基百科**
我们接下来使用sklearn.metrics 提供的混淆矩阵的计算

from sklearn.metrics import confusion_matrix #引用方式
y_true = [2, 0, 2, 2, 0, 1]
y_pred = [0, 0, 2, 2, 0, 2]
confusion_matrix(y_true, y_pred)#官方提供的示例代码

然后就得到了多类别的混淆矩阵，其实多类别和二类别的混淆矩阵只是在计算一些变量的时候复杂
多类别混淆矩阵计算方式，引用【1】
实现代码如下,分别计算 Recall或Sensitivity，Positive predictive value (PPV),speciall，其实这个是改变自https://blog.csdn.net/u012193416/article/details/79454351，但是他错了，导致我前几次都算错了&#x

最低0.47元/天 解锁文章
weixin_42985512
关注
  • 2
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 6
    评论
阳/阴性预测值Positive/negative Predictive Value（推荐AA）
weixin_33919950的博客
05-03 3786
sklearn实战-乳腺癌细胞数据挖掘（博主亲自录制视频教程） https://study.163.com/course/introduction.htm?courseId=1005269003&utm_campaign=commission&utm_source=cp-400000000398149&utm_medium=share    医药统计项目联系：QQ :...
从混淆矩阵中计算每一类的分类精度和总体平均精度
liguandong
03-06 1万+
计算每一类的分类精度，进而求总体的平均精度是分类问题很常用的评价指标，当我们计算出混淆矩阵之后，需要对混淆矩阵进行量化分析，最明显的指标就是计算分类精度，下面提供一种计算方面，使用sk-learn的apinp.diag是将对角线的值取出来，也就是正确分类的样本数的分布，axis=1，是行维度，实际就是预测样本数分布，np.sum就是将预测的每类样本数进行求和。nan_to_num是将部分真除之后会...
【Python】【机器学习】混淆矩阵的各项指标计算
最新发布
SmallBamboo的博客
05-17 1272
False Negative (FN) = **明明是正例，但很不幸，我猜它是反例的数量。精确率（Precision）精确率表示**模型预测为正类的样本中，实际为正类的比例。**它衡量了模型在正类预测中的准确性。召回率（Recall）召回率表示**实际为正类的样本中，被模型正确预测为正类的比例。True Negative (TN) = **是反例，且很幸运我也猜它是反例的数量。True Positive (TP) = **是正例，且很幸运我也猜它是正例的数量。**此处4表示有4张图片是猫，且我也猜它是猫。
分类精度评价：混淆矩阵+总体精度OA、F1值等
WangWen123_111的博客
03-17 4040
整理 归纳 举例 记录一下 （一）混淆矩阵 混淆矩阵也称误差矩阵，是表示精度评价的一种标准格式，用n行n列的矩阵形式来表示。 Predicted as Positive（预测-正例） Predicted as Negative（预测-反例） Labeled as Positive （真实-正例） True Positive(TP-真正例) False Negati...
画混淆矩阵,并根据矩阵计算准确率、每个类别的精确率和召回率
m0_50127633的博客
10-27 6994
TP(True Positives):实际为正例并且预测为正例 FP(False Postives):实际为反例但是预测为正例 TN(True Negatives):实际为反例并且预测为反例 FN(False Negatives):实际为正例但是预测为反例 精确率=TP/(TP+FP) 召回率=(TP)/(TP+FN) # coding=utf-8 import matplotlib.pyplot as plt import numpy as np confusion = np.array(([200,0
深度学习：混淆矩阵，准确率，top1，top5，每一类的准确率
紫芝的博客
04-22 1万+
TP，FN，FP，TN TP（True Positive）：真实为0，预测为0； 关于神经网络图像分类中的Top-1和Top-5错误率 Top-1错误率 对一个图片，只判断概率最大的结果是否是正确答案。 Top-5错误率 对一个图片，判断概率排名前五中是否包含正确答案。 ...
基于基于TensorFlow的CNN-RNN中文文本分类项目源码+使用文档（高分项目）.zip
03-29
从混淆矩阵也可以看出分类效果非常优秀。 data/cnews_loader.py为数据的预处理文件。 read_file(): 读取文件数据; build_vocab(): 构建词汇表，使用字符级的表示，这一函数会将词汇表存储下来，避免每一次重复处理; ...
行业分类-设备装置-一种基于文本分布式特征表示的垃圾稿件分类方法.zip
09-03
在当前的数字化时代，文本处理和分析已经成为信息技术领域不可或缺的一部分，尤其在垃圾稿件识别和分类中，有效的文本处理技术能够极大地提升效率和准确性。本文档"行业分类-设备装置-一种基于文本分布式特征表示的...
行业分类-设备装置-一种多媒体信息检索的方法.zip
08-20
标题中的“行业分类-设备装置-一种多媒体信息检索的方法”表明了这个压缩包涉及的是信息技术领域，特别是关于设备装置和多媒体信息检索的技术。这通常涵盖了计算机科学、信息处理、数据管理和人工智能等多个方面。 ...
work_python计算混淆矩阵第二类数据指标_某课程作业_混淆矩阵_
10-02
本作业聚焦于在已知混淆矩阵的情况下，利用Python来计算与第二类相关的指标，包括精确率、召回率、F1得分以及Kappa系数。 **混淆矩阵** 混淆矩阵是一种统计表格，用于可视化和分析分类模型的预测结果。它由四个...
PG_Curve-master.rar_precision recall_recall_precision_roc_分类 roc
07-15
这些概念是理解和优化模型不可或缺的部分，主要包括混淆矩阵、精确率（Precision）、召回率（Recall）、精确率-召回率曲线（Precision-Recall Curve）以及ROC曲线（Receiver Operating Characteristic Curve）。...
Python手动输入混淆矩阵，并计算混淆矩阵的准确率、精确率、召回率、特异度、F1-score
WangGuo836的博客
03-21 2107
可以按照以上格式（以5分类为例），先写在记事本上再更改后缀名。没有扩展名的看下面这个图给它调出来↓。*注意最后一个后面没有 “,”
Python利用混淆矩阵计算分类任务中的准确率/召回率/F1值
热门推荐
张家四少
08-12 2万+
摘要 在深度学习的分类任务中，对模型的评估或测试时需要计算其在验证集或测试集上的预测精度（prediction/accuracy）、召回率（recall）和F1值。本文首先简要介绍如何计算精度、召回率和F1值，其次给出python编写的模块，可直接将该模块导入在自己的项目中，最后给出这个模块的实际使用效果。 混淆矩阵及P、R、F1计算原理 混淆矩阵 进行二分类或多分类任务中，对于预测的评估经常需要构建一个混淆矩阵来表示测试集预测类与实际类的对应关系，混淆矩阵横坐标表示实际的类，纵坐标表示预测的类。混
Positive predictive value
Work Hard, Play Harder!
07-15 3203
原文转载于：http://en.wikipedia.org/wiki/Positive_predictive_value Positive predictive value From Wikipedia, the free encyclopedia This article needs additional citations
总体分类精度和kappa系数计算实例详细介绍！
qq_41828818的博客
05-10 1万+
为啥要算总体分类精度和kappa系数呢？想必大家都知道是为了精度评价，当我们没有实测数据的时候，那么总体分类精度和kappa系数就派上用场了！我们没有实测数据，依旧能够评价自己的方法和模型的优良性。博客写的有点啰嗦~啊哈哈哈哈哈哈哈哈哈 一、分类精度和kappa系数的计算公式 首先先看一下总体分类精度和kappa系数的计算公式 1.1总体分类精度： 1.2kappa系数： 我们先知道总体分类精度和kappa系数的公式，下面看具体怎么操作 二、生成随机点 在真彩色（或者假彩色）影像在随机生成随机点。
python sklearn 分类结果分析（混淆矩阵，分类报告）
廷益_飞鸟的博客
08-13 5206
python sklearn 分类结果分析（混淆矩阵，分类报告） 下载地址 链接: https://pan.baidu.com/s/1aB5B_n9HyHEiCuPCgva2-g 提取码: 48ny """ 模型训练、预测完成后 可以统计分类结果的 混淆矩阵、分类报告 混淆矩阵 : 矩阵 行：分类 列：分类 分类报告 ：召回率 F1分数 等结果 """ import numpy as np import sklearn.naive_bayes as nb import matpl
混淆矩阵，准确率，精准率，召回率
abc_xian的博客
06-22 1万+
摘自：https://zhuanlan.zhihu.com/p/46714763 混淆矩阵 P（Positive）：代表1 N（Negative）：代表0 T（True）：代表预测正确 F（False）：代表错误 照上面的字符表示，混淆矩阵就变成了下面这样： TP：预测为1，实际1，预测正确 FP：预测为1，实际0，预测错误 FN：预测为0，实际1，预测错确 TN：预测为0，实际0，预测正确 2. 准确率 准确率的定义是预测正确的结果占总样本的百分比，其公式如下： 准确率=(T
混淆矩阵（Confusion Matrix）
DAIRUMENG的博客
03-16 3178
混淆矩阵 混淆矩阵（Confision Matrix）是一种N*N表格，用于总结分类模型的预测效果。N表示类别个数，横轴表示实际的标签，纵轴表示模型预测的标签。 Precise（精确率）=TP/(TP+FP) 精确率：指模型正确预测正类的频率。 Recall（召回率）=TP/(TP+FN) 召回率：指模型正确识别实际的正类标签。 F1(调和均值)=2TP/2TP+FP+FN F1：反映算法性能 准确率 错误率 参考 示例代码 from sklearn.metrics import confusio
机器学习中混淆矩阵、准确率、精确率、召回率、F值、ROC曲线、AUC、PR曲线-Sklearn.metrics评估方法
修行之路
05-31 128
机器学习中混淆矩阵、准确率、精确率、召回率、F值、ROC曲线、AUC、PR曲线-Sklearn.metrics评估方法
python根据4*4的混淆矩阵cm计算查准率、查全率和F1-score
06-11
可以使用以下代码来计算查准率、查全率和F1-score： ```python import numpy as np cm = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12], [13, 14, 15, 16]]) # 计算真正例（True Positive） tp = np.diag(cm) # 计算假正例（False Positive） fp = np.sum(cm, axis=0) - tp # 计算假反例（False Negative） fn = np.sum(cm, axis=1) - tp # 计算查准率（Precision） precision = tp / (tp + fp) # 计算查全率（Recall） recall = tp / (tp + fn) # 计算F1-score f1_score = 2 * precision * recall / (precision + recall) print("查准率：", precision) print("查全率：", recall) print("F1-score：", f1_score) ``` 请将上述代码中的 `cm` 数组替换为你的混淆矩阵即可。

“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 6
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