鍵.png)
使用這些基本 REST API 最佳實踐構(gòu)建出色的 API
混淆矩陣（Confusion Matrix）是機器學(xué)習(xí)中評估分類模型性能的重要工具。通過混淆矩陣，可以直觀地了解模型在各個類別上的表現(xiàn)，包括正確分類和錯誤分類的樣本數(shù)量。基于混淆矩陣，我們可以計算準(zhǔn)確率、精確率、召回率、F1分?jǐn)?shù)以及真正率和假正率等多個評估指標(biāo)，用于評估分類模型的性能。
Confusion Matrix
混淆矩陣（Confusion Matrix）是什么？混淆矩陣是一個表格，用于描述分類模型的預(yù)測結(jié)果與實際標(biāo)簽之間的關(guān)系。
對于一個二分類問題，混淆矩陣是一個2×2的矩陣。
對于多分類問題，混淆矩陣的大小為類別數(shù)乘以類別數(shù)。
混淆矩陣的評估指標(biāo)有哪些？混淆矩陣可用于計算準(zhǔn)確率、精確率、召回率、F1分?jǐn)?shù)以及真正率和假正率等多個評估指標(biāo)，這些指標(biāo)共同構(gòu)成了評估分類模型性能的完整體系。
準(zhǔn)確率是模型正確分類的樣本數(shù)占總樣本數(shù)的比例。
對于多分類問題，準(zhǔn)確率同樣適用，只需將TP、TN、FP、FN替換為對應(yīng)類別的數(shù)量總和。
精確率是針對預(yù)測為正類的樣本，模型預(yù)測正確的比例。
對于多分類問題，可以計算每個類別的精確率。
召回率是針對實際為正類的樣本，模型預(yù)測正確的比例。
同樣，對于多分類問題，可以計算每個類別的召回率。
F1分?jǐn)?shù)是精確率和召回率的調(diào)和平均數(shù)，用于綜合評估模型的性能。
對于多分類問題，可以計算每個類別的F1分?jǐn)?shù)，或者計算宏平均（Macro-average）和微平均（Micro-average）F1分?jǐn)?shù)。
真正率也稱為靈敏度（Sensitivity）或召回率（Recall）。
假正率也稱為1-特異度（1-Specificity）。
二分類問題的混淆矩陣是什么？對于二分類問題，混淆矩陣是一個2×2的表格，用于描述分類模型預(yù)測結(jié)果與實際標(biāo)簽之間的關(guān)系，包括真正類（TP）、假正類（FP）、假負(fù)類（FN）和真負(fù)類（TN）四種情況。
在Python中，使用sklearn.metrics中的confusion_matrix函數(shù)計算了實際標(biāo)簽y_true與預(yù)測標(biāo)簽y_pred之間的混淆矩陣，并利用seaborn庫的heatmap函數(shù)以及matplotlib.pyplot庫的相關(guān)函數(shù)對混淆矩陣進(jìn)行了可視化展示。
from sklearn.metrics import confusion_matrix
import seaborn as sns
import matplotlib.pyplot as plt
# 假設(shè)y_true是實際標(biāo)簽，y_pred是預(yù)測標(biāo)簽
y_true = [0, 1, 1, 0, 1, 0, 1, 0, 0, 1]
y_pred = [0, 1, 0, 0, 1, 0, 1, 1, 0, 1]
# 計算混淆矩陣
cm = confusion_matrix(y_true, y_pred)
# 使用seaborn繪制混淆矩陣
sns.heatmap(cm, annot=True, fmt='d', cmap='Blues')
plt.xlabel('Predicted')
plt.ylabel('True')
plt.title('Confusion Matrix')
plt.show()
多分類問題的混淆矩陣是什么？多分類問題的混淆矩陣是一個表格，其行表示實際類別，列表示預(yù)測類別，每個單元格的值表示實際類別與預(yù)測類別相匹配的樣本數(shù)量。
在Python中，使用seaborn和matplotlib庫，基于給定的實際標(biāo)簽數(shù)組y_true和預(yù)測標(biāo)簽數(shù)組y_pred，生成并可視化了一個三分類問題的混淆矩陣熱力圖。
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn.metrics import confusion_matrix
# 假設(shè)y_true是實際標(biāo)簽數(shù)組, y_pred是預(yù)測標(biāo)簽數(shù)組
y_true = [0, 1, 2, 2, 0, 1, 0, 2, 1, 0] # 示例實際標(biāo)簽
y_pred = [0, 2, 1, 2, 0, 0, 0, 1, 2, 0] # 示例預(yù)測標(biāo)簽
# 生成混淆矩陣
conf_mat = confusion_matrix(y_true, y_pred)
# 使用seaborn繪制熱力圖
sns.heatmap(conf_mat, annot=True, cmap='Blues', xticklabels=['Class 0', 'Class 1', 'Class 2'], yticklabels=['Class 0', 'Class 1', 'Class 2'])
plt.xlabel('Predicted Class')
plt.ylabel('True Class')
plt.title('Confusion Matrix')
plt.show()
本文章轉(zhuǎn)載微信公眾號@架構(gòu)師帶你玩轉(zhuǎn)AI