前言

很多時(shí)候需要對(duì)自己模型進(jìn)行性能評(píng)估，對(duì)于一些理論上面的知識(shí)我想基本不用說明太多，關(guān)于校驗(yàn)?zāi)Ｐ蜏?zhǔn)確度的指標(biāo)主要有混淆矩陣、準(zhǔn)確率、精確率、召回率、F1 score。另外還有P-R曲線以及AUC/ROC，這些我都有寫過相應(yīng)的理論和具體理論過程：

機(jī)器學(xué)習(xí)：性能度量篇-Python利用鳶尾花數(shù)據(jù)繪制ROC和AUC曲線

機(jī)器學(xué)習(xí)：性能度量篇-Python利用鳶尾花數(shù)據(jù)繪制P-R曲線

 這里我們主要進(jìn)行實(shí)踐利用sklearn快速實(shí)現(xiàn)模型數(shù)據(jù)校驗(yàn)，完成基礎(chǔ)指標(biāo)計(jì)算。

混淆矩陣

查準(zhǔn)率（precision）與查全率（recall）是對(duì)于需求在信息檢索、Web搜索等應(yīng)用評(píng)估性能度量適應(yīng)度高的檢測(cè)數(shù)值。對(duì)于二分類問題，可將真實(shí)類別與算法預(yù)測(cè)類別的組合劃分為真正例（ture positive）、假證例（false positive）、真反例（true negative）、假反例（false negative）四種情形。顯然TP+FP+TN+FN=樣例總數(shù)。分類結(jié)果為混淆矩陣：

以分類模型中最簡(jiǎn)單的二分類為例，對(duì)于這種問題，我們的模型最終需要判斷樣本的結(jié)果是0還是1，或者說是positive還是negative。 因此，我們就能得到這樣四個(gè)基礎(chǔ)指標(biāo)，我稱他們是一級(jí)指標(biāo)（最底層的）：

• 真實(shí)值是positive，模型認(rèn)為是positive的數(shù)量（True Positive=TP）
• 真實(shí)值是positive，模型認(rèn)為是negative的數(shù)量（False Negative=FN）：這就是統(tǒng)計(jì)學(xué)上的第二類錯(cuò)誤（Type II Error）
• 真實(shí)值是negative，模型認(rèn)為是positive的數(shù)量（False Positive=FP）：這就是統(tǒng)計(jì)學(xué)上的第一類錯(cuò)誤（Type I Error）
• 真實(shí)值是negative，模型認(rèn)為是negative的數(shù)量（True Negative=TN）

預(yù)測(cè)性分類模型，肯定是希望越準(zhǔn)越好。那么，對(duì)應(yīng)到混淆矩陣中，那肯定是希望TP與TN的數(shù)量大，而FP與FN的數(shù)量小。所以當(dāng)我們得到了模型的混淆矩陣后，就需要去看有多少觀測(cè)值在第二、四象限對(duì)應(yīng)的位置，這里的數(shù)值越多越好；反之，在第一、三象限對(duì)應(yīng)位置出現(xiàn)的觀測(cè)值肯定是越少越好。

python代碼

混淆矩陣一般來說可以有三種實(shí)現(xiàn)展示方法，需要前置計(jì)算出混淆矩陣數(shù)據(jù)，這一點(diǎn)使用sklearn就可以實(shí)現(xiàn)：

from sklearn.metrics import confusion_matrix
y_true =df_evaluation.state_y
y_pred =df_evaluation.state_x
cm= confusion_matrix(y_true, y_pred,labels=[2,3,4,5])

其中cm就是計(jì)算出來的混淆矩陣：

利用sklearn的confusion_matrix函數(shù)就可以實(shí)現(xiàn)，這里將該函數(shù)的參數(shù)鋪開一下：

sklearn.metrics.confusion_matrix(y_true, 
                                 y_pred, 
                                 *, 
                                 labels=None, 
                                 sample_weight=None, 
                                 normalize=None)

參數(shù)說明：

• y_true:對(duì)比真值
• y_pred： 預(yù)測(cè)值
• labels：索引矩陣的標(biāo)簽列表。這可用于重新排序或選擇標(biāo)簽的子集。如果給定“無”，則按排序順序使用在y_true或y_pred中至少出現(xiàn)一次的值。
• sample_weight：樣本權(quán)重
• normalize：在真（行）、預(yù)測(cè)（列）條件或所有總體上規(guī)范化混淆矩陣。如果“無”，則混淆矩陣將不會(huì)被歸一化。

得到了混淆矩陣接下來進(jìn)行數(shù)據(jù)可視化就好了，這里有三種實(shí)現(xiàn)形式，其中matplotlib和seaborn實(shí)現(xiàn)方法是一樣的，都是熱力圖實(shí)現(xiàn)，另外sklearn自帶一個(gè)ConfusionMatrixDisplay也可以直接實(shí)現(xiàn)熱力。 第一種matplotlib/seaborn：

import seaborn as sns
import matplotlib.pyplot as plt
labels=[2,3,4,5]
sns.heatmap(cm,annot=True ,fmt="d",xticklabels=labels,yticklabels=labels)
plt.title('confusion matrix')  # 標(biāo)題
plt.xlabel('Predict lable')  # x軸
plt.ylabel('True lable')  # y軸
plt.show()

第二種ConfusionMatrixDisplay：

disp = ConfusionMatrixDisplay(confusion_matrix=cm, display_labels=labels)
disp.plot(
    include_values=True,            
    cmap="viridis",                 
    ax=None,                        
    xticks_rotation="horizontal",   
    values_format="d"               
)
plt.show()

這里我主要將一下ConfusionMatrixDisplay.plot()的可選參數(shù)：

plot(*, 
     include_values=True, 
     cmap='viridis', 
     xticks_rotation='horizontal', 
     values_format=None, 
     ax=None, 
     colorbar=True, 
     im_kw=None, 
     text_kw=None)

參數(shù)說明：

• include_values：bool，default=True。包括混淆矩陣中的值。
• cmap：str or matplotlib Colormap, default=’viridis’。matplotlib識(shí)別的顏色映射。
• xticks_rotation： {‘vertical’, ‘horizontal’} or float, default=’horizontal’。旋轉(zhuǎn)xtick標(biāo)簽。
• values_format：str, default=None?；煜仃囍兄档母袷揭?guī)范。如果無，則格式規(guī)范為“d”或“.2g”，以較短者為準(zhǔn)。
• ax： matplotlib axes, default=None。要繪制的軸對(duì)象。如果為“無”，則創(chuàng)建新的圖形和軸。
• colorbar：bool, default=True。是否向繪圖添加色條。
• im_kw：dict, default=None。使用傳遞給matplotlib.pyplot.imshow調(diào)用的關(guān)鍵字進(jìn)行讀寫。
• text_kw：dict, default=None。使用傳遞給matplotlib.pyplot.text調(diào)用的關(guān)鍵字進(jìn)行讀寫。

以上就是Python sklearn預(yù)測(cè)評(píng)估指標(biāo)混淆矩陣計(jì)算示例詳解的詳細(xì)內(nèi)容，更多關(guān)于Python sklearn預(yù)測(cè)評(píng)估混淆矩陣的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

最新評(píng)論