问如何规范混淆矩阵？
EN

Stack Overflow用户

提问于 2014-01-04 14:10:34

回答 9查看 75.6K关注 0票数 51

我使用confusion_matrix()为我的分类器计算了一个混淆矩阵。混淆矩阵的对角线元素表示预测的标签与真实标签相等的点数，而非对角线元素则表示被分类器错误标记的点数。

我想规范我的混淆矩阵，使它只包含0到1之间的数字。我想从矩阵中读取正确分类样本的百分比。

我找到了几种方法来规范矩阵(行和列规范化)，但我对数学不太了解，也不确定这是否是正确的方法。

scikit-learn

normalization

confusion-matrix

python

matrix

回答 9

Stack Overflow用户

回答已采纳

发布于 2014-01-04 14:35:02

我假设M[i,j]代表Element of real class i was classified as j。如果是相反的话，你需要把我说的每句话都转过来。我还将使用以下矩阵作为具体示例：

1 2 3
4 5 6
7 8 9

基本上，你可以做两件事：

查找每个类是如何被分类的

您可以问的第一件事是，实际类i中的元素百分比被归类为每个类。为此，我们使用一行修复i，并将每个元素除以行中元素的总和。在我们的例子中，类2的对象被分类为1 4次，正确地被归类为2 5次，被归类为3 6次。为了求百分比，我们只是把所有的东西除以4+5+6= 15。

4/15 of the class 2 objects are classified as class 1
5/15 of the class 2 objects are classified as class 2
6/15 of the class 2 objects are classified as class 3

找出哪些类负责每种分类

您可以做的第二件事是查看分类器中的每个结果，并询问这些结果中有多少来自每个实际类。它将类似于另一种情况，但列而不是行。在我们的示例中，我们的分类器返回"1“1次，当原始类为1，4次，当原始类为2，7次时，当原始类为3。

1/12 of the objects classified as class 1 were from class 1
4/12 of the objects classified as class 1 were from class 2
7/12 of the objects classified as class 1 were from class 3

当然，我给出的这两种方法一次只适用于单个行列，我不确定在这种形式中修改混淆矩阵是否是个好主意。但是，这应该会给出您正在寻找的百分比。

票数 13

Stack Overflow用户

发布于 2014-01-05 06:22:24

假设

>>> y_true = [0, 0, 1, 1, 2, 0, 1]
>>> y_pred = [0, 1, 0, 1, 2, 2, 1]
>>> C = confusion_matrix(y_true, y_pred)
>>> C
array([[1, 1, 1],
       [1, 2, 0],
       [0, 0, 1]])

然后，要了解每个类有多少样本收到了正确的标签，您需要

>>> C / C.astype(np.float).sum(axis=1)
array([[ 0.33333333,  0.33333333,  1.        ],
       [ 0.33333333,  0.66666667,  0.        ],
       [ 0.        ,  0.        ,  1.        ]])

对角线包含所需的值。计算这些值的另一种方法是认识到，您正在计算的是每个类的召回量：

>>> from sklearn.metrics import precision_recall_fscore_support
>>> _, recall, _, _ = precision_recall_fscore_support(y_true, y_pred)
>>> recall
array([ 0.33333333,  0.66666667,  1.        ])

类似地，如果除以axis=0上的和，则得到精度(具有基本真理标签k的类-k预测的分数)：

>>> C / C.astype(np.float).sum(axis=0)
array([[ 0.5       ,  0.33333333,  0.5       ],
       [ 0.5       ,  0.66666667,  0.        ],
       [ 0.        ,  0.        ,  0.5       ]])
>>> prec, _, _, _ = precision_recall_fscore_support(y_true, y_pred)
>>> prec
array([ 0.5       ,  0.66666667,  0.5       ])

票数 39

Stack Overflow用户

发布于 2019-08-11 11:03:01

使用Seaborn，您可以轻松地使用heathmap打印一个标准化的、相当混乱的矩阵：

from sklearn.metrics import confusion_matrix
import seaborn as sns

cm = confusion_matrix(y_test, y_pred)
# Normalise
cmn = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis]
fig, ax = plt.subplots(figsize=(10,10))
sns.heatmap(cmn, annot=True, fmt='.2f', xticklabels=target_names, yticklabels=target_names)
plt.ylabel('Actual')
plt.xlabel('Predicted')
plt.show(block=False)