9

我有3个问题：

1)

sklearn的混淆矩阵如下：

TN | FP
FN | TP

当我查看在线资源时，我发现它是这样的：

TP | FP
FN | TN

我应该考虑哪一个？

2)

由于上述 scikit learn 的混淆矩阵与我在其他资源中找到的不同，在多类混淆矩阵中，结构是什么？我在这里看这篇文章： Scikit-learn：如何获得真阳性、真阴性、假阳性和假阴性 在那篇帖子中，@lucidv01d 发布了一个图表来了解多类的类别。scikit learn中的那个类别是一样的吗？

3)

你如何计算多类的准确性？例如，我有这个混淆矩阵：

[[27  6  0 16]
 [ 5 18  0 21]
 [ 1  3  6  9]
 [ 0  0  0 48]]

在我在问题 2 中提到的同一篇文章中，他写了这个等式：

整体准确度

ACC = (TP+TN)/(TP+FP+FN+TN)

但这不只是二进制吗？我的意思是，我用什么类代替 TP？

4

3 回答 3

6

sklearn 显示其混淆矩阵的原因如下

TN | FP
FN | TP

像这样是因为在他们的代码中，他们认为 0 是负类，1 是正类。sklearn 始终将较小的数字视为负数，将较大的数字视为正数。通过数字，我的意思是类值（0或1）。顺序取决于您的数据集和类。

准确度将是对角元素的总和除以所有元素的总和。p 对角元素是正确预测的数量。

于 2019-05-11T01:59:08.487 回答
5

正如sklearn 指南所说：“（维基百科和其他参考资料可能对轴使用不同的约定）”

这是什么意思？在构建混淆矩阵时，第一步是决定将预测和真实值（真实标签）放在哪里。有两种可能：

  • 将预测放在列上，将真实标签放在行上
  • 将预测放在行上，将真实标签放在列上

决定你想走哪条路是完全主观的。从这里Sklearn 的混淆矩阵解释的这张图片中，很明显 scikit-learn 的约定是将预测放在列上，将真实标签放在行上。

因此，根据 scikit-learns 约定，这意味着：

  • 第一列包含负面预测（TN 和 FN）
  • 第二列包含正面预测（TP 和 FP）
  • 第一行包含负标签（TN 和 FP）
  • 第二行包含正标签（TP 和 FN）
  • 对角线 包含正确预测标签的数量。

根据这些信息，我认为您将能够解决问题的第 1 部分和第 2 部分。

对于第 3 部分，您只需将对角线上的值相加并除以所有元素的总和，即

(27 + 18 + 6 + 48) / (27 + 18 + 6 + 48 + 6 + 16 + 5 + 21 + 1 + 3 + 9)

或者你可以只使用 score() 函数。

于 2019-05-11T09:26:13.693 回答
2

  • scikit-learn 的约定是将预测放在列中，将实际值放在行中

  • scikit-learn 的约定是默认将 0 用于负类（顶部），将 1 用于正类（底部）。可以使用标签 = [1,0] 更改顺序。您可以通过这种方式计算整体准确度

    M = np.array([[27, 6, 0, 16], [5, 18,0,21],[1,3,6,9],[0,0,0,48]])

    米

在此处输入图像描述

对角线之和

w = M.diagonal()
w.sum()

99

矩阵之和

M.sum()

160

ACC = w.sum()/M.sum()
ACC

0.61875

于 2020-06-22T18:52:34.673 回答