菜单
×
   ❮     
HTML CSS JAVASCRIPT SQL PYTHON JAVA PHP HOW TO W3.CSS C C++ C# BOOTSTRAP REACT MYSQL JQUERY EXCEL XML DJANGO NUMPY PANDAS NODEJS R TYPESCRIPT ANGULAR GIT POSTGRESQL MONGODB ASP AI GO KOTLIN SASS VUE DSA GEN AI SCIPY AWS CYBERSECURITY DATA SCIENCE
     ❯   

Python 教程

Python 主页 Python 简介 Python 入门 Python 语法 Python 注释 Python 变量 Python 数据类型 Python 数字 Python 类型转换 Python 字符串 Python 布尔值 Python 运算符 Python 列表 Python 元组 Python 集合 Python 字典 Python If...Else Python While 循环 Python For 循环 Python 函数 Python Lambda Python 数组 Python 类/对象 Python 继承 Python 迭代器 Python 多态 Python 作用域 Python 模块 Python 日期 Python 数学 Python JSON Python 正则表达式 Python PIP Python Try...Except Python 用户输入 Python 字符串格式化

文件处理

Python 文件处理 Python 读取文件 Python 写入/创建文件 Python 删除文件

Python 模块

NumPy 教程 Pandas 教程 SciPy 教程 Django 教程

Python Matplotlib

Matplotlib 简介 Matplotlib 入门 Matplotlib Pyplot Matplotlib 绘图 Matplotlib 标记 Matplotlib 线条 Matplotlib 标签 Matplotlib 网格 Matplotlib 子图 Matplotlib 散点图 Matplotlib 条形图 Matplotlib 直方图 Matplotlib 饼图

机器学习

入门 均值、中位数、众数 标准差 百分位数 数据分布 正态数据分布 散点图 线性回归 多项式回归 多元回归 缩放 训练/测试 决策树 混淆矩阵 层次聚类 逻辑回归 网格搜索 分类数据 K-means 自举聚合 交叉验证 AUC - ROC 曲线 K-近邻

Python MySQL

MySQL 入门 MySQL 创建数据库 MySQL 创建表 MySQL 插入 MySQL 选择 MySQL Where MySQL Order By MySQL 删除 MySQL 删除表 MySQL 更新 MySQL Limit MySQL Join

Python MongoDB

MongoDB 入门 MongoDB 创建数据库 MongoDB 集合 MongoDB 插入 MongoDB Find MongoDB Query MongoDB Sort MongoDB 删除 MongoDB 删除集合 MongoDB 更新 MongoDB Limit

Python 参考

Python 概述 Python 内置函数 Python 字符串方法 Python 列表方法 Python 字典方法 Python 元组方法 Python 集合方法 Python 文件方法 Python 关键字 Python 异常 Python 词汇表

模块参考

Random 模块 Requests 模块 Statistics 模块 Math 模块 cMath 模块

Python 如何操作

删除列表重复项 反转字符串 两个数字相加

Python 示例

Python 示例 Python 编译器 Python 练习 Python 测验 Python 服务器 Python 面试问答 Python 训练营 Python 证书

机器学习 - 混淆矩阵


在此页面上,W3schools.com 与 纽约数据科学学院 合作,为我们的学生提供数字培训内容。


什么是混淆矩阵?

它是一个在分类问题中用于评估模型错误所在的表格。

行代表实际应该为的类别。列代表我们做出的预测。使用此表格可以轻松查看哪些预测是错误的。

创建混淆矩阵

可以通过逻辑回归进行的预测来创建混淆矩阵。

现在,我们将使用 NumPy 来生成实际值和预测值。

import numpy

接下来,我们需要生成“实际”和“预测”值的数字。

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

为了创建混淆矩阵,我们需要从 sklearn 模块导入 metrics。

from sklearn import metrics

导入 metrics 后,我们就可以在实际值和预测值上使用混淆矩阵函数。

confusion_matrix = metrics.confusion_matrix(actual, predicted)

为了创建更易于理解的可视化显示,我们需要将表格转换为混淆矩阵显示。

cm_display = metrics.ConfusionMatrixDisplay(confusion_matrix = confusion_matrix, display_labels = [0, 1])

可视化显示需要我们从 matplotlib 导入 pyplot。

import matplotlib.pyplot as plt

最后,我们可以使用 pyplot 的 plot() 和 show() 函数来显示图表。

cm_display.plot()
plt.show()

观看整个示例的实际演示

示例

import matplotlib.pyplot as plt
import numpy
from sklearn import metrics

actual = numpy.random.binomial(1,.9,size = 1000)
predicted = numpy.random.binomial(1,.9,size = 1000)

confusion_matrix = metrics.confusion_matrix(actual, predicted)

cm_display = metrics.ConfusionMatrixDisplay(confusion_matrix = confusion_matrix, display_labels = [0, 1])

cm_display.plot()
plt.show()

结果

运行示例 »

结果解释

创建的混淆矩阵有四个不同的象限

真负例(左上角象限)
假正例(右上角象限)
假负例(左下角象限)
真正例(右下角象限)

真表示预测值准确,假表示有错误或预测错误。

现在我们已经创建了一个混淆矩阵,我们可以计算不同的指标来量化模型的质量。首先,我们来看一下准确率。


广告


创建的指标

该矩阵为我们提供了许多有用的指标,可以帮助我们评估分类模型。

不同的度量包括:准确率、精确率、召回率(灵敏度)、特异度和 F1 分数,如下所述。


准确率

准确率衡量模型在多大程度上是正确的。

如何计算

(真正例 + 真负例) / 总预测数

示例

Accuracy = metrics.accuracy_score(actual, predicted)
运行示例 »

精确率

在预测为正例的样本中,有多少比例是真正的正例?

如何计算

真正例 / (真正例 + 假正例)

精确率不评估正确预测的负例。

示例

Precision = metrics.precision_score(actual, predicted)
运行示例 »

召回率(灵敏度)

在所有实际为正例的样本中,有多少比例被预测为正例?

召回率(有时也称为灵敏度)衡量模型预测正例的准确性。

这意味着它关注真正例和假负例(即被错误预测为负例的正例)。

如何计算

真正例 / (真正例 + 假负例)

召回率有助于理解模型预测某个实例为正例的程度。

示例

Sensitivity_recall = metrics.recall_score(actual, predicted)
运行示例 »

特异度

模型预测负例的准确性如何?

特异度与召回率相似,但从负例的角度来看。

如何计算

真负例 / (真负例 + 假正例)

由于它与召回率正好相反,我们使用 recall_score 函数,传入相反的标签(pos_label=0)。

示例

Specificity = metrics.recall_score(actual, predicted, pos_label=0)
运行示例 »

F1 分数

F1 分数是精确率和召回率的“调和平均数”。

它同时考虑了假正例和假负例,并且对于不平衡数据集很有用。

如何计算

2 * ((精确率 * 召回率) / (精确率 + 召回率))

此分数不考虑真负例。

示例

F1_score = metrics.f1_score(actual, predicted)
运行示例 »

所有计算合在一起

示例

#metrics
print({"Accuracy":Accuracy,"Precision":Precision,"Sensitivity_recall":Sensitivity_recall,"Specificity":Specificity,"F1_score":F1_score})
运行示例 »

×

联系销售

如果您想将 W3Schools 服务用于教育机构、团队或企业,请发送电子邮件给我们
sales@w3schools.com

报告错误

如果您想报告错误,或想提出建议,请发送电子邮件给我们
help@w3schools.com

W3Schools 经过优化,旨在方便学习和培训。示例可能经过简化,以提高阅读和学习体验。教程、参考资料和示例会不断审查,以避免错误,但我们无法保证所有内容的完全正确性。使用 W3Schools 即表示您已阅读并接受我们的使用条款Cookie 和隐私政策

版权所有 1999-2024 Refsnes Data。保留所有权利。W3Schools 由 W3.CSS 提供支持