机器学习 - 混淆矩阵

在此页面上，W3schools.com 与纽约数据科学院，为我们的学生提供数字培训内容。

什么是混淆矩阵？

它是一个用于分类问题的表格，用于评估模型中出现错误的位置。

这些行代表结果应有的实际类别。各列代表我们所做的预测。使用此表可以轻松看出哪些预测是错误的。

创建混淆矩阵

可以通过逻辑回归的预测来创建混淆矩阵。

现在，我们将利用 NumPy 生成实际值和预测值：

接下来，我们需要生成 "actual" 和 "predicted" 值的数字。

为了创建混淆矩阵，我们需要从 sklearn 模块导入指标。

导入指标后，我们可以对实际值和预测值使用混淆矩阵函数。

为了创建更易于解释的视觉显示，我们需要将表格转换为混淆矩阵显示。

可视化显示需要我们从 matplotlib 导入 pyplot。

最后，为了显示绘图，我们可以使用 pyplot 中的函数plot()和show()。

查看整个示例的实际效果：

结果解释

创建的混淆矩阵有四个不同的象限：

假阴性（左上象限）
误报（右上象限）
真阴性（左下象限）
真阳性（右下象限）

True 表示值被准确预测，False 表示存在错误或错误的预测。

现在我们已经制作了混淆矩阵，我们可以计算不同的度量来量化模型的质量。首先，让我们看看准确性。

广告

创建的指标

该矩阵为我们提供了许多有用的指标，帮助我们评估分类模型。

不同的衡量标准包括：准确度、精确度、灵敏度（召回率）、特异性和 F 分数，如下所述。

准确性

准确性衡量模型正确的频率。

如何计算

（真阳性 + 真阴性）/总预测

精确

在预测的阳性结果中，真正阳性的百分比是多少？

如何计算

真阳性 /（真阳性 + 假阳性）

Precision 不评估正确预测的负例：

灵敏度（召回率）

在所有阳性病例中，预测呈阳性的百分比是多少？

灵敏度（有时称为召回率）衡量模型预测积极结果的能力。

这意味着它会考虑真阳性和假阴性（即被错误预测为阴性的阳性）。

如何计算

真阳性 /（真阳性 + 假阴性）

敏感性有助于理解模型对积极事物的预测效果：

特异性

该模型预测负面结果的能力如何？

特异性与敏感性类似，但从阴性结果的角度来看。

如何计算

真阴性/（真阴性+假阳性）

由于它与 Recall 正好相反，因此我们使用recall_score 函数，取相反的位置标签：

F分数

F 分数是精度和灵敏度的"harmonic mean"。

它考虑了误报和漏报情况，并且适用于不平衡的数据集。

如何计算

2 * ((精度 * 灵敏度) / (精度 + 灵敏度))

该分数未考虑真阴性值：

所有计算合而为一：