sklearn計算混淆矩陣

sklearn計算混淆矩陣混淆矩陣是對于分類算法的評價方法之一，通常用來展示算法的預測結果與實際結果之間的關系。在sklearn中提供了計算混淆矩陣的方法，下面我們來詳細介紹一下。

1.什么是混淆矩陣

混淆矩陣又稱為誤差矩陣（ErrorMatrix）或是分類矩陣（ConfusionMatrix），是一種針對分類模型的評價方法。主要用于表示分類算法的預測結果與真實結果之間的對應關系，其中表格中每一行代表真實的類別，每一列代表預測的類別。

混淆矩陣通常是一個n×n的矩陣，其中n表示類別數量。對于二分類問題，通常是一個2×2的矩陣，其中矩陣的四個元素分別代表“真正例”、“假反例”、“假正例”和“真反例”。

2.混淆矩陣的計算方法

在sklearn中提供了計算混淆矩陣的方法，即`confusion_matrix(y_true,y_pred,labels=None,sample_weight=None)`，其中參數的含義如下：

-`y_true`：真實的標簽數組；

-`y_pred`：模型預測的標簽數組；

-`labels`：一個列表，包含了所有可能的類別標簽；

-`sample_weight`：每個樣本的權重。

下面是一個使用混淆矩陣的簡單示例：

```python

fromsklearn.metricsimportconfusion_matrix

y_true=[1,1,0,1,0,0,1]#真實的標簽數組

y_pred=[1,0,0,1,0,1,1]#預測的標簽數組

labels=[0,1]#類別標簽數組

#計算混淆矩陣

cm=confusion_matrix(y_true,y_pred,labels)

print(cm)

```

輸出結果：

```

[[21]

[13]]

```

其中，第一行代表真實標簽為0的樣本，第二行代表真實標簽為1的樣本，第一列代表模型預測為0的樣本，第二列代表模型預測為1的樣本。例如，第一個元素2代表真實標簽為0的樣本中，有2個被預測為0，1個被預測為1。

3.混淆矩陣的指標

混淆矩陣可以計算出一系列評價指標，用于評估分類算法的性能，包括準確率、召回率、精確率和F1值等。

-準確率（Accuracy）：指分類器正確分類的樣本占總樣本的比例，計算公式為：$$Accuracy=\frac{TP+TN}{TP+FP+FN+TN}$$其中，TP表示真正例，TN表示真反例，FP表示假正例，FN表示假反例。

-召回率（Recall）：指分類器正確識別出的正樣本占所有正樣本的比例，計算公式為：$$Recall=\frac{TP}{TP+FN}$$

-精確率（Precision）：指分類器正確識別出的正樣本占所有被分類為正樣本的樣本的比例，計算公式為：$$Precision=\frac{TP}{TP+FP}$$

-F1值（F1-score）：是精確率和召回率的調和平均值，計算公式為：$$F1=2\cdot\frac{Precision\cdotRecall}{Precision+Recall}$$

sklearn中提供了計算準確率、召回率、精確率和F1值的方法，即`metrics`模塊下的`accuracy_score`、`recall_score`、`precision_score`和`f1_score`方法，使用方法與`confusion_matrix`類似。

```python

fromsklearn.metricsimportaccuracy_score,recall_score,precision_score,f1_score

y_true=[1,1,0,1,0,0,1]#真實的標簽數組

y_pred=[1,0,0,1,0,1,1]#預測的標簽數組

#計算準確率、召回率、精確率和F1值

acc=accuracy_score(y_true,y_pred)

rec=recall_score(y_true,y_pred)

pre=precision_score(y_true,y_pred)

f1=f1_score(y_true,y_pred)

print("Accuracy:",acc)

print("Recall:",rec)

print("Precision:",pre)

print("F1-score:",f1)

```

輸出結果：

```

Accuracy:0.7142857142857143

Recall:0.75

Precision:0.75

F1-scor