Python sklearn confusion_matrix用法及代碼示例

本文簡要介紹python語言中 sklearn.metrics.confusion_matrix 的用法。

用法:

sklearn.metrics.confusion_matrix(y_true, y_pred, *, labels=None, sample_weight=None, normalize=None)

計算混淆矩陣以評估分類的準確性。

根據定義，混淆矩陣 \(C\) 使得 \(C_{i, j}\) 等於已知在組 \(i\) 中並預測在組 \(j\) 中的觀察數。

因此，在二進製分類中，真負數為 \(C_{0,0}\) ，假負數為 \(C_{1,0}\) ，真正數為 \(C_{1,1}\) ，假正數為 \(C_{0,1}\) 。

在用戶指南中閱讀更多信息。

參數：

y_true：形狀類似數組 (n_samples,)

基本事實(正確)目標值。

y_pred：形狀類似數組 (n_samples,)

分類器返回的估計目標。

labels：形狀類似數組(n_classes)，默認=無

索引矩陣的標簽列表。這可用於重新排序或選擇標簽子集。如果給定None，則在y_true 或y_pred 中至少出現一次的那些將按排序順序使用。

sample_weight：形狀類似數組 (n_samples,)，默認=None

樣本權重。

normalize：{‘true’, ‘pred’, ‘all’}，默認=無

在真實(行)、預測(列)條件或所有總體上標準化混淆矩陣。如果沒有，混淆矩陣將不會被歸一化。

返回：

C：ndarray 形狀(n_classes，n_classes)

混淆矩陣，其i-th 行和j-th 列條目表示真實標簽為i-th 類且預測標簽為j-th 類的樣本數。

參考：

1

Wikipedia entry for the Confusion matrix(維基百科和其他引用可能對軸使用不同的約定)。

例子：

>>> from sklearn.metrics import confusion_matrix
>>> y_true = [2, 0, 2, 2, 0, 1]
>>> y_pred = [0, 0, 2, 2, 0, 2]
>>> confusion_matrix(y_true, y_pred)
array([[2, 0, 0],
       [0, 0, 1],
       [1, 0, 2]])

>>> y_true = ["cat", "ant", "cat", "cat", "ant", "bird"]
>>> y_pred = ["ant", "ant", "cat", "cat", "ant", "cat"]
>>> confusion_matrix(y_true, y_pred, labels=["ant", "bird", "cat"])
array([[2, 0, 0],
       [0, 0, 1],
       [1, 0, 2]])

在二進製情況下，我們可以提取真陽性等，如下所示：

>>> tn, fp, fn, tp = confusion_matrix([0, 1, 0, 1], [1, 1, 1, 0]).ravel()
>>> (tn, fp, fn, tp)
(0, 2, 1, 1)