下面是包含 10 个 Y 类别的混淆矩阵。如何计算 A、D 和 E 类别的准确度,并找到每个类别的 TP、TM、FP、FN?
A B C D E F G H I J
[41, 0, 0, 2, 1, 0, 0, 0, 0, 4],
[ 1, 0, 0, 0, 4, 0, 0, 0, 0, 2],
[ 3, 0, 12, 0, 1, 0, 0, 0, 0, 0],
[ 0, 0, 0, 51, 10, 0, 0, 0, 0, 0],
[ 1, 0, 0, 3, 78, 0, 0, 0, 0, 5],
[ 1, 0, 0, 0, 0, 0, 0, 0, 0, 3],
[ 4, 0, 0, 0, 2, 0, 5, 0, 0, 4],
[ 0, 0, 1, 1, 3, 0, 0, 2, 0, 1],
[ 4, 0, 0, 0, 1, 0, 0, 0, 0, 0],
[10, 0, 0, 5, 15, 0, 0, 0, 0, 24]
感谢您的帮助!
最佳答案
可视化您的混淆矩阵
X = [[41, 0, 0, 2, 1, 0, 0, 0, 0, 4],
[1, 0, 0, 0, 4, 0, 0, 0, 0, 2],
[3, 0, 12, 0, 1, 0, 0, 0, 0, 0],
[0, 0, 0, 51, 10, 0, 0, 0, 0, 0],
[1, 0, 0, 3, 78, 0, 0, 0, 0, 5],
[1, 0, 0, 0, 0, 0, 0, 0, 0, 3],
[4, 0, 0, 0, 2, 0, 5, 0, 0, 4],
[0, 0, 1, 1, 3, 0, 0, 2, 0, 1],
[4, 0, 0, 0, 1, 0, 0, 0, 0, 0],
[10, 0, 0, 5, 15, 0, 0, 0, 0, 24]]
cm = pd.DataFrame(X, columns=list("ABCDEFGHIJ"), index=list("ABCDEFGHIJ"))
print(cm)
输出:
A B C D E F G H I J
A 41 0 0 2 1 0 0 0 0 4
B 1 0 0 0 4 0 0 0 0 2
C 3 0 12 0 1 0 0 0 0 0
D 0 0 0 51 10 0 0 0 0 0
E 1 0 0 3 78 0 0 0 0 5
F 1 0 0 0 0 0 0 0 0 3
G 4 0 0 0 2 0 5 0 0 4
H 0 0 1 1 3 0 0 2 0 1
I 4 0 0 0 1 0 0 0 0 0
J 10 0 0 5 15 0 0 0 0 24
读取混淆矩阵的过程如下:行是实际标签,列是预测标签。完美的模型应该有一个对角线混淆矩阵,因为它总是能正确预测! Read more on confusion matrices .
在这里,您可以看到您的模型有时是错误的。它预测了 A
10 次,而答案实际上是 J
...但它对于类别 G
特别有用:预测了 5 次,它总是对的!
类别准确性
类别准确度是通过计算您预测正确的次数(在您预测的所有次数中)来获得的:
>>> cm["A"]["A"] / cm.sum(axis=0)["A"]
0.6307692307692307
>>> cm["D"]["D"] / cm.sum(axis=0)["D"]
0.8225806451612904
>>> cm["E"]["E"] / cm.sum(axis=0)["E"]
0.6782608695652174
TP、TN、FP、FN 分别
这些度量通常在二元分类设置中有意义,但对于给定的类别,您可以想象处于一对多(考虑的类别与所有其他分类)设置中,这看起来像二元分类,因此计算这些度量.
利用 this answer ,您可以使用以下命令获取每个类别的所有 TP、TN、FP、FN 值:
FP = cm.sum(axis=0) - np.diag(cm)
FN = cm.sum(axis=1) - np.diag(cm)
TP = pd.Series(np.diag(cm), index=list("ABCDEFGHIJ"))
TN = np.matrix(cm).sum() - (FP + FN + TP)
现在,类别 A
的 FP 是:
>>> FP["A"]
24 # you can verify, it's the sum of all values except diagonal element
相同的逻辑适用于所有其他措施。
关于python-3.x - 如何解释这个 10*10 混淆矩阵?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/61389262/