时间戳

首页 > 解决方案 > 使用混淆矩阵的分类报告

python - 使用混淆矩阵的分类报告

问题描述

我们的 ML 模型有一个混淆矩阵。

array([[508,  12],
       [ 78,  36]])

我们还有classification_report

              precision    recall  f1-score   support

           0       0.83      0.98      0.90       123
           1       0.85      0.31      0.45        36

    accuracy                           0.83       159
   macro avg       0.84      0.64      0.67       159
weighted avg       0.83      0.83      0.80       159

为了了解这种 ML 解决方案的功效，我们为传统构建的系统生成了一个混淆矩阵

array([[305,  62],
       [ 108,  50]])

有没有办法从中生成classification_report？标准功能而不是编码，以确保一致性。

标签： pythonscikit-learndata-science

解决方案

我建议你在这里阅读这篇文章https://towardsdatascience.com/beyond-accuracy-precision-and-recall-3da06bea9f6c。根据混淆矩阵中的值，您可以计算出真阳性、真阴性、假阳性和假阴性。之后，您可以计算使用它们的任何指标。

我找到了一个代码示例（来源）

def evaluate(self, dataset):
        predictions = self.predict(dataset[:,0])
        confusion_matrix = sklearn_confusion_matrix(dataset[:,1], predictions, labels=self.__classes)

        precisions = []
        recalls = []
        accuracies = []

        for gender in self.__classes:
            idx = self.__classes_indexes[gender]
            precision = 1
            recall = 1
            if np.sum(confusion_matrix[idx,:]) > 0:
                precision = confusion_matrix[idx][idx]/np.sum(confusion_matrix[idx,:])
            if np.sum(confusion_matrix[:, idx]) > 0:
                recall = confusion_matrix[idx][idx]/np.sum(confusion_matrix[:, idx])
            precisions.append(precision)
            recalls.append(recall)

        precision = np.mean(precisions)
        recall = np.mean(recalls)
        f1 = (2*(precision*recall))/float(precision+recall)
        accuracy = np.sum(confusion_matrix.diagonal())/float(np.sum(confusion_matrix))

        return precision, recall, accuracy, f1

在代码中，您可以看到如何创建混淆矩阵并得出分数。我知道你已经有了矩阵，所以也许你可以看一下第二部分并尝试了解如何仅使用矩阵计算分数。

推荐阅读