Каталог статей

• 🍋Введение
• 🍋Что такое матрица путаницы?
• 🍋Применение матрицы путаницы
• 🍋Практическая матрица путаницы с несколькими классификациями
• 🍋Резюме

🍋Введение

в машинном обучении инаука о данныхполе,матрица путаницы（Confusion Матрица) — важный инструмент для оценки эффективности моделей классификации. Хотя матрица путаницы широко используется в задачах бинарной классификации, она также подходит для задач мультиклассификации. В этой статье мы углубимся в концепцию, методы интерпретации, сценарии применения матриц путаницы мультиклассификации и предоставим практический пример, который поможет вам лучше понять и использовать ее.

🍋Что такое матрица путаницы?

Матрица путаницы — это таблица, используемая для визуализации производительности модели классификации и сравнения прогнозов модели с фактическими метками. Для задач мультиклассификации структура матрицы путаницы может немного отличаться, но основная идея та же.

типичныйМногоклассовая матрица путаницыКак показано ниже：

            Class 1   Class 2   Class 3   ...   Class N
Class 1     TP11      TP12      TP13            TP1N
Class 2     TP21      TP22      TP23            TP2N
Class 3     TP31      TP32      TP33            TP3N
  ...         ...       ...       ...             ...
Class N     TPN1      TPN2      TPN3            TPNN

Каждая строка представляет фактический класс, а каждый столбец представляет прогнозируемый класс модели. Элементы на диагонали матрицы (TPii) представляют количество выборок, правильно предсказанных моделью, а недиагональные элементы представляют количество выборок, неправильно предсказанных моделью.

Интерпретация матрицы путаницы

• Истинные положительные результаты (TP): количество образцов, правильно предсказанных моделью как i-й класс.
• Ложные срабатывания (FP): количество образцов, ошибочно спрогнозированных моделью как принадлежащих к классу i.
• Ложноотрицательные результаты (FN): количество образцов, которые модель ошибочно спрогнозировала как не принадлежащие к i-му классу.
• Истинные отрицательные числа (TN): количество образцов, которые модель правильно предсказывает как не i-й класс.

🍋Применение матрицы путаницы

Матрица путаницы предоставляет обширную информацию для оценки моделей классификации, помогает анализировать производительность модели и корректировать ее параметры. Вот некоторые распространенные применения матриц путаницы:

• Точность: Рассчитайте долю количества правильно классифицированных образцов по всем категориям к общему количеству образцов, то есть (TP1 + TP2 +… + ТПС)/(общее количество образцов).
• Точность: вычислите долю количества выборок, правильно предсказанных моделью как i-й класс, к количеству выборок, предсказанных как i-й класс, то есть TPi / (TPi + FPi).
• Напомним: вычислите долю количества выборок, правильно предсказанных моделью как i-го класса, к общему количеству выборок, которые на самом деле относятся к i-му классу, то есть TPi/(TPi + FNi).
• Оценка F1 (F1-Score): учитывает точность и полноту и используется для балансировки взаимосвязи между ними, особенно подходит для несбалансированных наборов данных.

🍋Практическая матрица путаницы с несколькими классификациями

Во-первых, нам нужно импортировать набор данных для распознавания рукописных цифр и подготовить данные. В этом разделе мы будем использовать его для практики.

from sklearn.datasets import load_digits
digits = load_digits()
X = digits.data
y = digits.target

Кроме того, нам также необходимо импортировать некоторые библиотеки следующим образом:

import matplotlib.pyplot as plt
from sklearn.metrics import confusion_matrix,recall_score,precision_score
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression

Затем мы разрезаем набор данных, подгоняем обучающий набор и делаем прогнозы.

log_reg = LogisticRegression(max_iter=10000)
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.8,random_state=666)
log_reg.fit(X_train,y_train)
log_reg.score(X_test,y_test)

Вы можете оценить точность

Далее мы делаем прогнозы на основе хорошей модели логистической регрессии.

y_predict = log_reg.predict(X_test)

И распечатайте матрицу путаницы

confusion_matrix(y_test,y_predict)

Результаты бега следующие

Затем мы можем взглянуть на значения точности и полноты

precision_score(y_test,y_predict,average='micro')
recall_score(y_test,y_predict,average='macro')

Результаты бега следующие

Далее сохраняем матрицу путаницы в формате CFM и рисуем изображение.

cfm = confusion_matrix(y_test,y_predict)
plt.matshow(cfm) 

Результаты бега следующие

Примечание. Чем ярче область, тем больше ошибок.

Мы можем установить диагональ равным 0

import numpy as np
row_sum = np.sum(cfm,axis=1)
error_matrix = cfm/row_sum
np.fill_diagonal(error_matrix,0)  # Диагональ установлена ​​на 0

Результаты бега следующие

Затем нарисуйте вот такое изображение

plt.matshow(error_matrix)

Вы сможете более интуитивно увидеть, где уровень ошибок высок, что облегчит последующую обработку.

🍋Резюме

Подводить итоги,Матрицы путаницы — мощный инструмент для оценки эффективности моделей мультиклассификации.,он предоставляет подробную информацию,Помогите нам понять, как модель работает в каждой категории. Сочетает в себе такие показатели, как точность, точность, отзыв и показатель F1.,Позволяет более полно оценить эффективность модели.,а затем улучшить модель или провести дальнейший анализ.。深入理解和应用матрица путаницы有助于提高Проект машинного обучениякачество и эффект。

Я участвую в последнем конкурсе эссе для специального учебного лагеря Tencent Technology Creation 2024. Приходите и разделите со мной приз!