Hướng dẫn how to print confusion matrix in python - làm thế nào để in ma trận nhầm lẫn trong python

Ghi chú

Nhấn vào đây để tải xuống mã ví dụ đầy đủ hoặc để chạy ví dụ này trong trình duyệt của bạn thông qua Binderhere to download the full example code or to run this example in your browser via Binder

Confusion matrix, without normalization
[[13  0  0]
 [ 0 10  6]
 [ 0  0  9]]
Normalized confusion matrix
[[1.   0.   0.  ]
 [0.   0.62 0.38]
 [0.   0.   1.  ]]

import numpy as np
import matplotlib.pyplot as plt

from sklearn import svm, datasets
from sklearn.model_selection import train_test_split
from sklearn.metrics import ConfusionMatrixDisplay

# import some data to play with
iris = datasets.load_iris()
X = iris.data
y = iris.target
class_names = iris.target_names

# Split the data into a training set and a test set
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)

# Run classifier, using a model that is too regularized (C too low) to see
# the impact on the results
classifier = svm.SVC(kernel="linear", C=0.01).fit(X_train, y_train)

np.set_printoptions(precision=2)

# Plot non-normalized confusion matrix
titles_options = [
    ("Confusion matrix, without normalization", None),
    ("Normalized confusion matrix", "true"),
]
for title, normalize in titles_options:
    disp = ConfusionMatrixDisplay.from_estimator(
        classifier,
        X_test,
        y_test,
        display_labels=class_names,
        cmap=plt.cm.Blues,
        normalize=normalize,
    )
    disp.ax_.set_title(title)

    print(title)
    print(disp.confusion_matrix)

plt.show()

Trên trang này, W3Schools.com hợp tác với Học viện Khoa học Dữ liệu NYC, để cung cấp nội dung đào tạo kỹ thuật số cho sinh viên của chúng tôi.

Ma trận nhầm lẫn là gì?

Đó là một bảng được sử dụng trong các vấn đề phân loại để đánh giá các lỗi trong mô hình được thực hiện.

Các hàng đại diện cho các lớp thực tế mà kết quả nên có. Trong khi các cột đại diện cho các dự đoán chúng tôi đã thực hiện. Sử dụng bảng này, thật dễ dàng để xem dự đoán nào là sai.

Tạo ma trận nhầm lẫn

Ma trận nhầm lẫn có thể được tạo ra bởi các dự đoán được thực hiện từ hồi quy logistic.

Bây giờ chúng tôi sẽ tạo ra các giá trị thực tế và dự đoán bằng cách sử dụng Numpy:

import numpy

Tiếp theo chúng ta sẽ cần tạo các số cho các giá trị "thực tế" và "dự đoán".

actual = numpy.random.binomial(1, 0.9, size = 1000)
predicted = numpy.random.binomial(1, 0.9, size = 1000)

Để tạo ma trận nhầm lẫn, chúng ta cần nhập các số liệu từ mô -đun Sklearn.

from sklearn import metrics

Khi các số liệu được nhập, chúng ta có thể sử dụng hàm ma trận nhầm lẫn trên các giá trị thực tế và dự đoán của chúng ta.

confusion_matrix = metrics.confusion_matrix(actual, predicted)

Để tạo một màn hình trực quan dễ hiểu hơn, chúng ta cần chuyển đổi bảng thành màn hình ma trận nhầm lẫn.

cm_display = metrics.ConfusionMatrixDisplay(confusion_matrix = confusion_matrix, display_labels = [False, True])

Vizualizing màn hình yêu cầu chúng tôi nhập pyplot từ matplotlib.

import matplotlib.pyplot as plt

Cuối cùng để hiển thị cốt truyện, chúng ta có thể sử dụng các hàm lô () và show () từ pyplot.

cm_display.plot()
plt.show()

Xem toàn bộ ví dụ trong hành động:

Thí dụ

Nhập matplotlib.pyplot với tư cách là pltimport numpyfrom sklearn nhập số
import numpy
from sklearn import metrics

thực tế = numpy.random.binomial (1, .9, size = 1000) dự đoán = numpy.random.binomial (1, .9, size = 1000)
predicted = numpy.random.binomial(1,.9,size = 1000)

Infusion_Matrix = Metrics.Confusion_Matrix (thực tế, dự đoán)

cm_display = metrics.confusionmatrixdisplay (influsion_matrix = confusion_matrix, display_labels = [false, true])

cm_display.plot()plt.show()
plt.show()

Kết quả

Chạy ví dụ »

Kết quả giải thích

Ma trận nhầm lẫn được tạo ra có bốn góc phần tư khác nhau:

Đúng tiêu cực (góc phần tư trên bên trái) Sai dương (Quadrant đứng đầu bên phải) Sai âm (Quadrant dưới bên trái) Đúng Tích cực (Quadrant dưới bên phải)
False Positive (Top-Right Quadrant)
False Negative (Bottom-Left Quadrant)
True Positive (Bottom-Right Quadrant)

Đúng có nghĩa là các giá trị đã được dự đoán chính xác, sai có nghĩa là có lỗi hoặc dự đoán sai.

Bây giờ chúng tôi đã tạo ra một ma trận nhầm lẫn, chúng tôi có thể tính toán các biện pháp khác nhau để định lượng chất lượng của mô hình. Đầu tiên, hãy nhìn vào độ chính xác.

QUẢNG CÁO

Tạo ra số liệu

Ma trận cung cấp cho chúng tôi nhiều số liệu hữu ích giúp chúng tôi đánh giá mô hình phân loại.

Các biện pháp khác nhau bao gồm: độ chính xác, độ chính xác, độ nhạy (thu hồi), độ đặc hiệu và điểm F, được giải thích dưới đây.

Sự chính xác

Các biện pháp chính xác tần suất mô hình là chính xác.

Làm thế nào để tính toán

(Đúng tích cực + Đúng tiêu cực) / Tổng dự đoán

Thí dụ

Nhập matplotlib.pyplot với tư cách là pltimport numpyfrom sklearn nhập số

Chạy ví dụ »

Kết quả giải thích

Ma trận nhầm lẫn được tạo ra có bốn góc phần tư khác nhau:

Làm thế nào để tính toán

(Đúng tích cực + Đúng tiêu cực) / Tổng dự đoán

Độ chính xác = Metrics.Accuracy_Score (thực tế, dự đoán)

Thí dụ

Nhập matplotlib.pyplot với tư cách là pltimport numpyfrom sklearn nhập số

Chạy ví dụ »

Kết quả giải thích

Ma trận nhầm lẫn được tạo ra có bốn góc phần tư khác nhau:

Đúng tiêu cực (góc phần tư trên bên trái) Sai dương (Quadrant đứng đầu bên phải) Sai âm (Quadrant dưới bên trái) Đúng Tích cực (Quadrant dưới bên phải)

Đúng có nghĩa là các giá trị đã được dự đoán chính xác, sai có nghĩa là có lỗi hoặc dự đoán sai.

Làm thế nào để tính toán

(Đúng tích cực + Đúng tiêu cực) / Tổng dự đoán

Độ chính xác = Metrics.Accuracy_Score (thực tế, dự đoán)

Thí dụ

Nhập matplotlib.pyplot với tư cách là pltimport numpyfrom sklearn nhập số

Chạy ví dụ »

Kết quả giải thích

Ma trận nhầm lẫn được tạo ra có bốn góc phần tư khác nhau:

Đúng tiêu cực (góc phần tư trên bên trái) Sai dương (Quadrant đứng đầu bên phải) Sai âm (Quadrant dưới bên trái) Đúng Tích cực (Quadrant dưới bên phải)

Làm thế nào để tính toán

(Đúng tích cực + Đúng tiêu cực) / Tổng dự đoán

Độ chính xác = Metrics.Accuracy_Score (thực tế, dự đoán)

Thí dụ

Nhập matplotlib.pyplot với tư cách là pltimport numpyfrom sklearn nhập số

Chạy ví dụ »

F-score

Kết quả giải thích

Ma trận nhầm lẫn được tạo ra có bốn góc phần tư khác nhau:

Làm thế nào để tính toán

(Đúng tích cực + Đúng tiêu cực) / Tổng dự đoán

Độ chính xác = Metrics.Accuracy_Score (thực tế, dự đoán)

Thí dụ

Nhập matplotlib.pyplot với tư cách là pltimport numpyfrom sklearn nhập số

Chạy ví dụ »

Kết quả giải thích

Thí dụ

Nhập matplotlib.pyplot với tư cách là pltimport numpyfrom sklearn nhập số
print({"Accuracy":Accuracy,"Precision":Precision,"Sensitivity_recall":Sensitivity_recall,"Specificity":Specificity,"F1_score":F1_score})

Chạy ví dụ »

Làm thế nào để bạn vẽ một ma trận nhầm lẫn trong Python Sklearn?

Làm thế nào để bạn hiển thị ma trận nhầm lẫn trong Seaborn?

Làm cách nào để tìm nhãn cho ma trận nhầm lẫn trong Python?

Làm thế nào để bạn in độ chính xác từ một ma trận nhầm lẫn?