Làm cách nào để tạo ma trận nhầm lẫn trong python?
Trong số tất cả các mẫu dương tính thực tế, bạn đã phát hiện được bao nhiêu mẫu? . Vì vậy, trong số tất cả các điểm tích cực thực tế (tp và fn), có bao nhiêu điểm được dự đoán là tích cực (tp) Show Để tạo ma trận nhầm lẫn cho mô hình hồi quy logistic trong Python, chúng ta có thể sử dụng hàmconsistance_matrix() từ gói sklearn from sklearn import metrics metrics.confusion_matrix(y_actual, y_predicted) Ví dụ sau đây cho thấy cách sử dụng hàm này để tạo ma trận nhầm lẫn cho mô hình hồi quy logistic trong Python Thí dụ. Tạo ma trận nhầm lẫn trong PythonGiả sử chúng ta có hai mảng sau chứa các giá trị thực tế cho một biến phản hồi cùng với các giá trị dự đoán bằng mô hình hồi quy logistic #define array of actual values y_actual = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1] #define array of predicted values y_predicted = [0, 0, 1, 0, 0, 1, 1, 0, 0, 1, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1] Chúng ta có thể sử dụng hàm mess_matrix() từ sklearn để tạo ma trận nhầm lẫn cho dữ liệu này from sklearn import metrics #create confusion matrix c_matrix = metrics.confusion_matrix(y_actual, y_predicted) #print confusion matrix print(c_matrix) [[6 4] [2 8]] Nếu muốn, chúng ta có thể sử dụng hàm crosstab() từ gấu trúc để tạo ma trận nhầm lẫn trực quan hấp dẫn hơn Trong khi sử dụng bài toán phân loại, chúng ta cần sử dụng các số liệu khác nhau như độ chính xác, khả năng thu hồi, điểm f1, hỗ trợ hoặc các số liệu khác để kiểm tra xem mô hình của chúng ta đang hoạt động hiệu quả như thế nào Đối với điều này, chúng ta cần tính toán điểm số bằng báo cáo phân loại và ma trận nhầm lẫn. Vì vậy, trong công thức này, chúng ta sẽ tìm hiểu cách tạo báo cáo phân loại và ma trận nhầm lẫn trong Python Mã nguồn python khoa học dữ liệu này thực hiện như sau. Bước 1 - Nhập thư viện
Chúng tôi đã nhập các bộ dữ liệu để sử dụng khung dữ liệu sẵn có, DecisionTreeClassifier, train_test_split,classification_report vàconfused_matrix Bước 2 - Thiết lập dữ liệuỞ đây, chúng tôi đã sử dụng bộ dữ liệu để tải bộ dữ liệu wine sẵn có và chúng tôi đã tạo các đối tượng X và y để lưu trữ dữ liệu và giá trị đích tương ứng.
Bước 3 - Huấn luyện người mẫuỞ đây chúng tôi đang sử dụng DecisionTreeClassifier để dự đoán như một mô hình phân loại và đào tạo nó trên dữ liệu đào tạo. Sau đó, dự đoán đầu ra của dữ liệu thử nghiệm. Khám phá các thư viện Python phải biết cho khoa học dữ liệu và máy học Bước 5 - Tạo báo cáo phân loại và ma trận nhầm lẫnTrước tiên chúng ta hãy xem các thông số của Báo cáo phân loại
Đối với Ma trận nhầm lẫn, có hai tham số kiểm tra và giá trị dự đoán của dữ liệu. Làm thế nào để ma trận nhầm lẫn hoạt động trong Python?Khóa đào tạo Python
. Nó vẽ một bảng gồm tất cả các giá trị thực tế và dự đoán của một bộ phân loại. presents a table layout of the different outcomes of the prediction and results of a classification problem and helps visualize its outcomes. It plots a table of all the predicted and actual values of a classifier.
Python tính toán ma trận nhầm lẫn từ đầu như thế nào?def consault_matrix(pred, original). # chuyển nhãn ban đầu và dự đoán cho chức năng này ma trận = np. . cho tôi trong phạm vi (len (pred)). #ma trận nhầm lẫn dành cho 2 lớp. 1,0 #1=tích cực, 0=tiêu cực nếu int(pred[i])==1 và int( original[i])==0 matrix[0,0]+=1 #True positive elif int(pred[i])==-1 và int( original[i])==1 |