理解混淆矩陣

1、理解混淆矩陣混淆矩陣是描述分類器/分類模型的性能的表。它包含有關(guān) 分類器完成的實際和預(yù)測分類的信息，此信息用于評估分 類器的性能。請注意，混淆矩陣僅用于分類任務(wù)，因此不能用于回歸模 型或其他非分類模型。在我們繼續(xù)之前，讓我們看看一些術(shù)語。 分類器：分類器基本上是一種算法，它使用從訓(xùn)練數(shù)據(jù) 中獲得的知識來將輸入數(shù)據(jù)映射到特定類別或類別。 分類器是二元分類器或多類/多分類/多標簽/多輸出分類 器。 訓(xùn)練和測試數(shù)據(jù)：在構(gòu)建分類模型/分類器時，數(shù)據(jù)集 被分成訓(xùn)練數(shù)據(jù)和具有相關(guān)標簽的測試數(shù)據(jù)。標簽是 預(yù)期的輸出，它是數(shù)據(jù)所屬的類別或類別。 實際分類：這是數(shù)據(jù)的預(yù)期輸出（標簽）。 預(yù)測分類：這是分類器為特

2、定輸入數(shù)據(jù)提供的輸出。一個例子：假設(shè)我們已經(jīng)建立了一個分類器來將汽車的輸 入圖像分類為轎車或者不是轎車，我們在數(shù)據(jù)集中有一個 標記為非轎車的圖像，但分類模型歸類為轎車。在這種情況下，實際分類是非轎車，而預(yù)測分類是轎車?；煜仃嚨念愋陀袃煞N類型的混淆矩陣: 2級混淆矩陣多級混淆矩陣2級混淆矩陣顧名思義，2類是一個描述二元分類模型性能的混淆矩陣。 我之前描述的轎車分類器的2級矩陣可以這樣顯示：PredictedNon-sedanSedanActualNon-sedanabSedancd在此可視化中，我們有兩個已概述的部分。我們有預(yù)測的 分類部分，其中包含每個類的兩個子部分和實際的分類部 分，每個部

3、分有兩個子部分。如果這是您第一次看到混淆矩陣，我知道您必須想知道表 中的所有變量代表什么。實際上它很簡單，我會盡可能簡 單地解釋，但在我這樣做之前，知道這些變量代表了許多 預(yù)測是很重要的。變量a變量a屬于Actual和Predicted分類部分中的Non-sedan 子部分。這意味著一個預(yù)測所做的正確分類的非轎車作為 非轎車的圖像。變量b變量b屬于實際分類部分中的非轎車子部分和預(yù)測分類部 分中的轎車子部分。這意味著進行了 b預(yù)測，將非轎車的圖像錯誤地分類為轎車。變量c變量9落在下的轎車在次節(jié)實際分類段和下的非轎車在小節(jié) 預(yù)測分類部分。這意味著進行了c預(yù)測，將轎車的圖像錯誤 地分類為非轎車。變量

4、d變量d屬于實際和預(yù)測分類部分中的轎車子部分。這意味 著d預(yù)測所做的正確分類轎車的圖像作為轎車。容易膩的檸檬擠壓。（我希望？ ）但是等等，我們還沒有完成.現(xiàn)在我們的轎車分類器有我們的混淆矩陣，但這如何幫助 我們確定分類器的性能/效率？為了使用混淆矩陣及其包含的數(shù)據(jù)確定分類器的性能，我 們可以使用混淆矩陣中的數(shù)據(jù)（變量）來計算一些標準度 里。準確性2級混淆矩陣的準確性是正確預(yù)測總數(shù)與預(yù)測總數(shù)之比。從我們的混淆矩陣中，我們可以看到a和d預(yù)測正確地對 輸入圖像進行了分類，并且b和c預(yù)測是對輸入圖像進行 錯誤分類的。因此，準確度可以計算為：精度=(A + d) / (A + B + C + d)其中，

5、a + d是正確預(yù)測的總數(shù)，而a + b + c + d是預(yù)測的 總數(shù)。真陽性，真陰性，假陽性和假陰性與我們的分類器和混淆矩陣有關(guān)：真陽性(TP)是轎車圖像被正確分類作為轎車的預(yù)測數(shù)里。從我們的混淆矩陣中，變量d也是TP。真陰性(TN)是非轎車圖像被正確分類作為非轎車的預(yù) 測數(shù)量。從我們的混淆矩陣中，變量a也是我們的TN。假陽性(FP)是非轎車圖像被錯誤地歸類為轎車的預(yù)測數(shù)里。從我們的混淆矩陣中，變量b也是我們的FP。假陰性(FN)是轎車圖像被錯誤地歸類為非轎車的預(yù)測數(shù) 里。從我們的混淆矩陣中，變量C也是我們的FN。其陽性率 真陽性率是真陽性與真陽性和假陰性之和的比率。它顯示 了分類器將轎車圖

6、像分類為轎車的頻率。因此，真陽性率可以計算為：真陽性率=皿(c + d)其中d是TP和q是FN真陽性率也稱為回憶或敏感性誤報率假陽性率是假陽性與真陰性和假陽性之和的比率。它顯示 了分類器將非轎車的圖像分類為轎車的頻率。因此，誤報率可以計算為：假陽性率=1)/ (A + B)其中一個是TN和b是FP真正的負面率真正的負面率是真實負面與真實負面和誤報之和的比率。 它顯示了分類器將非轎車的圖像分類為非轎車的頻率。因此，誤報率可以計算為：真陰性率=一個/ (A + B)其中一個是TN和b是FP真正的負面率也稱為特異性。假陰性率 假陰性率是假陰性與假陰性和真陽性之和的比率。它顯示 了分類器將轎車圖像分類

7、為非轎車的頻率。因此，誤報率可以計算為:假陰性率=q/ (c + d) 其中d是TP和q是FN精確精確度是真陽性與真陽性和假陽性之和的比率。它顯示了 分類器將輸入圖像分類為轎車的頻率，結(jié)果證明它是正確 的。計算方法如下：精度=d/ (B + d)其中d是TP和b是FP一個例子假設(shè)我們將下面的圖像作為分類器的混淆矩陣，我們可以 使用上面定義的度量來評估其性能。Confusion matrix從混淆矩陣中，我們可以看到: 4252個預(yù)測被正確地分類為非轎車【作為非轎車 因此，我們的變量a和真負值(TN)是4252。 有875個預(yù)測錯誤地將非轎車歸類為轎車。因此, 我們的變量b和假陽性(FP)是87

8、5。 有421個預(yù)測錯誤地將轎車歸類為非轎車。因此, 我們的變量c和假陰性(FN)是421。制作了 4706個正確分類轎車作為轎車的預(yù)測。因此，我們的變量d和真陽性(TP)是4706使用我們提取的數(shù)據(jù)，我們可以計算上述指標并確定分 類器的性能。我們已經(jīng)可以告訴分類器表現(xiàn)良好，因為正 確預(yù)測的數(shù)量大于不正確預(yù)測的數(shù)量。準確性精度=(a + d) / (a + b + c + d)=(4252 + 4706) / (4252 + 875 + 421 + 4706)=(8958) / (10254 )=0.8736102984201287精度=0.87因此，分類器的準確度為0.87,即87%真陽性率

9、TPR = TP / (TP + FN)=4706 / (4706 + 421)=4706 / 5127=0.917885703140238TPR = 0.92因此，分類器的真陽性率為0.92,為92%誤報率FPR = FP/ (FP + TN) = 875/ (875 + 4252) =875 / 5127=0.1706651062999805FPR = 0.17因此，分類器的假陽性率為0.17,為17%真正的負面率TNR = TN / (TN + FP)= 4252 / (4252 + 875)=5127 分之 4252=0.8293348937000195TNR = 0.83因此,分類器

10、的真陰性率為0.83,即83%假陰性率FNR = FN/ (FN + TP)= 421/ (421 + 4706)=5127 分之 421=0.082114296859762FNR = 0.08因此，分類器的假陰性率為0.08,為8%精確精度=TP/ (TP + FP)=4706 / (4706 + 875)=五千五百八十一分之四千七百。六=0.8293348937000195精度=0.83因此,分類器的精度為0.83,即83%如何生成混淆矩陣matplotlib. pylab as pititertoolsnumpy as npsklearn. metricsconfusion_matrix

11、def plot_confusion_matrix(cm, classes, normalize False):pit. figure(figsize =(5,5)pit imshow(cm, interpolation 'nearest, cmap pit cm Blues)pit. title (, Confusion matrix')pit colorbar ()tick_marks np arange(len(classes)pit xticks(tick_marks, classes, rotation 90)pit yticks(tick_marks, classe

12、s)if normalize:cm cm astypeC float5) cm sum(axis-1), np newaxisthresh cm max() 2.for i, j itertools product(range(cm shape0), range(cm shape1): pit. text (j, i, cmi, j,horizontalalignment center”,color="white" if cmi, j > thresh else "black")pit. tight_layout ()pit. ylabel (&#

13、39; Actual')pit. xlabel (' Predicted')dict_characters 0: ' Non-sedan' , 1: Sedan5)y_pred model predict(test_data)y_pred_classes np argmax (y_pred, axis 1)y_true np argmax(test_labels, axis=l)confusion_mat confusion_matrix(y_true, y_pred_classes)plot_confusion_matrix(confusion_mat

14、, classes list(dict_characters values()為了生成混淆矩陣，我們利用numpy, matplotlib.pylab 來顯示矩陣，來自 skleam. metricsconfusion_matrix函數(shù)生成混淆矩陣，使用itertools進行循環(huán)/迭代。首先，我們定義一個函數(shù)plot_confusion_matrix,它將生 成的混淆矩陣和期望/可能的類作為參數(shù)，并使用 matplotlib.pylab來顯示混淆矩陣。在摘錄中，我們假設(shè)我們已經(jīng)擁有經(jīng)過培訓(xùn)的模型和培訓(xùn) 以及相關(guān)標簽的測試數(shù)據(jù)。dict_characters是兩個可能的類的字典，在我們的例子中, 非轎車和轎車。y_pred是分類器在測試數(shù)據(jù)模型上完成的預(yù)測數(shù)組是我們訓(xùn)練有素的分類器/算法tesjdata是我們的測試數(shù)據(jù)y pred classes是一個相對于 y_pred的索引的numpy數(shù) 組，y_pred是分類器在測試中完成的預(yù)測數(shù)組數(shù)據(jù)。y true是相對于test_data的實際/正確標簽的numpy索引 數(shù)組。testjabels是測試數(shù)