終于把機器學習中的混淆矩陣搞懂了！
作者：程序員小寒
混淆矩陣是用于評估分類模型性能的表格。它通過將實際（真實）標簽與預測標簽進行比較，提供分類問題的預測結果摘要?；煜仃嚤旧硎钦叫危╪xn），其中 n 是模型中的類別數。
大家好，我是小寒
今天給大家分享一個機器學習中一個重要的概念，混淆矩陣
混淆矩陣是用于評估分類模型性能的表格。它通過將實際（真實）標簽與預測標簽進行比較，提供分類問題的預測結果摘要。
混淆矩陣本身是正方形（nxn），其中 n 是模型中的類別數。
對于二元分類問題，混淆矩陣由四個主要部分組成：
- True Positive (TP, 真陽性)：實際為正類，預測也為正類的數量。
- True Negative (TN, 真陰性)：實際為負類，預測也為負類的數量。
- False Positive (FP, 假陽性)：實際為負類，預測卻為正類的數量，通常稱為"Type I 錯誤"或"誤報"。
- False Negative (FN, 假陰性)：實際為正類，預測卻為負類的數量，通常稱為"Type II 錯誤"或"漏報"。
圖片
為什么要使用混淆矩陣？
混淆矩陣是評估分類模型性能的基本工具。
- 錯誤分析
它有助于識別模型所犯的錯誤類型，無論模型更容易出現假陽性還是假陰性，這在應用范圍內（例如在醫(yī)學診斷中）可能至關重要。 - 模型改進
通過分析混淆矩陣，你可以專注于改進模型的特定方面，例如減少誤報或提高召回率。 - 類別不平衡處理
在類別不平衡的情況下，一個類別出現的頻率高于另一個類別，單憑準確率可能會產生誤導。
混淆矩陣可讓你更好地了解模型在每個類別中的表現。 - 性能指標計算
分類中的評估指標
1.準確率
準確率是分類任務中最簡單的評估指標之一，用來衡量模型預測正確的比例。
準確率的局限性
當處理不平衡的數據集時，一個類別的數量遠遠超過其他類別，準確率可能會產生誤導。
例如，在 95％ 的樣本屬于同一類的數據集中，預測所有實例為多數類的模型的準確率為 95％，但在識別少數類時則無效。
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.metrics import confusion_matrix, accuracy_score
# Example true labels (ytest) and predicted labels (ypred)
ytest = [0, 1, 0, 1, 0, 1, 0, 0, 1, 1]
ypred = [0, 1, 0, 0, 0, 1, 0, 1, 1, 1]
# Calculate confusion matrix
cm = confusion_matrix(ytest, ypred)
# Create a heatmap
plt.figure(figsize=(6, 4))
sns.heatmap(cm, annot=True, fmt='d', cmap='Blues', cbar=False,
xticklabels=['1', '0'],
yticklabels=['1', '0'])
# Add labels and title
plt.xlabel('Predicted Classes')
plt.ylabel('Actual Classes')
plt.title('Confusion Matrix')
# Calculate and display accuracy
accuracy = accuracy_score(ytest, ypred)
plt.text(2.3, 1.5, f'Accuracy: {accuracy:.2f}', fontsize=14, color='black', weight='bold')
plt.show()
圖片
2.精度
精度用來衡量模型預測為正類的樣本中實際為正類的比例。
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.metrics import confusion_matrix, precision_score
# Example true labels (ytest) and predicted labels (ypred)
ytest = ['spam', 'spam', 'ham', 'spam', 'ham', 'spam', 'spam', 'ham', 'spam', 'spam', 'ham', 'spam', 'ham', 'ham', 'ham']
ypred = ['spam', 'spam', 'spam', 'spam', 'ham', 'spam', 'spam', 'ham', 'spam', 'spam', 'ham', 'ham', 'ham', 'ham', 'ham']
# Calculate the confusion matrix
cm = confusion_matrix(ytest, ypred, labels=['spam', 'ham'])
print("Confusion Matrix:\n", cm)
# Calculate precision
precision = precision_score(ytest, ypred, pos_label='spam')
print("Precision:", precision)
# Create a heatmap for the confusion matrix
plt.figure(figsize=(8, 6))
ax = sns.heatmap(cm, annot=True, fmt='d', cmap='viridis', cbar=False,
xticklabels=['Predicted Spam', 'Predicted Ham'],
yticklabels=['Actual Spam', 'Actual Ham'])
# Set labels and title
plt.xlabel('Predicted Classes')
plt.ylabel('Actual Classes')
plt.title(f'Confusion Matrix\nPrecision: {precision:.2f}')
# Show the plot
plt.show()
圖片
3.召回率
召回率用來衡量實際為正類的樣本中模型預測為正類的比例。
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.metrics import confusion_matrix, recall_score
# Example true labels (ytest) and predicted labels (ypred)
ytest = ['positive', 'positive', 'negative', 'positive', 'negative']
ypred = ['positive', 'negative', 'negative', 'positive', 'positive']
# Calculate the confusion matrix
cm = confusion_matrix(ytest, ypred, labels=['positive', 'negative'])
# Calculate recall
recall = recall_score(ytest, ypred, pos_label='positive')
# Create a heatmap for the confusion matrix
plt.figure(figsize=(6, 4))
ax = sns.heatmap(cm, annot=True, fmt='d', cmap='viridis', cbar=False,
xticklabels=['Predicted Positive', 'Predicted Negative'],
yticklabels=['Actual Positive', 'Actual Negative'])
# Set labels and title
plt.xlabel('Predicted Classes')
plt.ylabel('Actual Classes')
plt.title(f'Confusion Matrix\nRecall: {recall:.2f}')
# Show the plot
plt.show()
圖片
4.F1-score
F1-score 是精度和召回率的調和平均數，用來綜合考慮精度和召回率的平衡。
責任編輯：武曉燕
來源：
程序員學長
