python中矩阵用分数表示

在机器学习中,我们会经常和矩阵打交道。在矩阵的运算中,python默认的输出是浮点数,但是如果我们想要矩阵的元素以分数的形式显示,可以通过添加一行代码来实现。

1、函数及参数解释

  • set_printoptions()——控制输出方式

  • formatter——通用格式化输出

  • Fraction(x).limit_denominator(y)——返回一个分母不大于y且最接近x的分数

2、代码实现

from fractions import Fraction
import numpy as np
#设置矩阵元素输出用分数表示
np.set_printoptions(formatter={'all':lambda x: str(Fraction(x).limit_denominator())})

a = np.array([[0.8,-0.1,-0.2],[-0.5,0.5,-0.4],[-0.1,-0.3,0.8]])
print("分数形式显示原矩阵:")
print(a)

b = np.linalg.inv(a)  #求逆矩阵
print("分数形式显示逆矩阵:")
print(b)


输出结果
在这里插入图片描述

  • 8
    点赞
  • 19
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
混淆矩阵是衡量分类模型性能的一种工具,它能够提供分类器的精确性、召回率和 F1 分数等指标,以了解分类结果真正的情况。Python 的 Scikit-learn 库提供了用于生成和分析混淆矩阵的函数。在 Scikit-learn ,混淆矩阵是使用 confusion_matrix() 函数生成的二维数组,具有真实类和预测类两个维度。真实类是分类数据集实际类别的值,而预测类则是分类器返回的预测标签。在混淆矩阵,每个单元格表示分类器将一个样本分类为某个类的次数,因此可以用多个指标来度量分类器性能。下面是混淆矩阵的四个组成部分: True Negative (TN):分别表示真实类是负的,预测类也是负的数量; False Positive (FP):分别表示真实类是负的,预测类是正的数量; True Positive (TP):分别表示真实类是正的,预测类也是正的数量; False Negative (FN):分别表示真实类是正的,预测类是负的数量; 通过这四个部分,我们可以计算出以下指标: Precision:是真正例的数量与假正例的总和的比率;即 TP/(TP+FP) Recall:是真正例的数量与假负例的总和的比率;即 TP/(TP+FN) F1 Score:是精确率和召回率的调和平均值,可同时考虑二者的值,其公式为:F1 Score=2*{(Precision*Recall)/(Precision+Recall)} 通过混淆矩阵,我们可以更直观地了解分类器在各个标签上的性能,找出分类器错误的地方,优化模型并提高分类准确率。

“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 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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