本文介绍如何混淆矩阵(confusion_matrix )
混淆矩阵定义及表示含义 ：
模糊矩阵是基于两个准则以矩阵形式将数据集中的记录组合起来的：真实类别和根据分类模型预测的类别判断。 矩阵的行表示真值，矩阵的列表示预测值。
TP（True Positive）: 将正类预测为正类数 即正确预测，真实为0，预测也为0
FN （False Negative）：将正类预测为负类 即错误预测，真实为0，预测为1
FP（False Positive）：将负类预测为正类数 即错误预测，真实为1，预测为0
TN （True Negative）：将负类预测为负类数，即正确预测，真实为1，预测也为1
4种评估方法：
精确率Precision=TP / (TP+FP), 在预测是Positive所有结果中，预测正确的比重
召回率recall=TP / (TP+FN), 在真实值为Positive的所有结果中，预测正确的比重
准确率accuracy=(TP+TN) / (TP+FN+FP+TN) 所有预测为正确结果所占总预测值的比重
特异度Specificity = TN / （TN+FP） 在真实值是Negative的所有结果中，预测正确的比重
可以看到准确率中的分子值就是矩阵对角线上的值。
首先以二分类为例，看看矩阵的表现形式。 如下所示。
现在列举一下混合同行列表。 宠物店里有10只动物，其中有6只狗和4只猫，现在有分类器把这10只动物分类。
分类结果为狗5只，猫5只(5=1) 4。 中，建立分类结果的模糊矩阵并进行分析后，
可以通过混淆矩阵简单计算真值犬的数量(行数的相加)为6=5) 1，
分类得到的狗的数量(列数相加)为5=5，实际的猫的数量为4=0) 4，
以狗为例：
Precision（狗）：5 / 5 =100%
recall （狗）：5 / 6 = 83.3%
accuracy ：9 / 10 = 90%
http://www.Sina.com/: http://www.Sina.com /
那么，对于多分类问题来说：
与二分类混淆矩阵同样，在矩阵行数据相加是真值类别数，列数据相加是分类后的类别数的情况下，与之相应地有以下的计算式；
Specificity
4 / 4 = 100%
精确率_狗= 5 / 6 = 83.3%
与二分类混淆矩阵同样，在矩阵行数据相加是真值类别数，列数据相加是分类后的类别数的情况下，与之相应地有以下的计算式；
召回率_狗 = 5 / 9 = 55.5%
通用做法：
精确率_类别1=a/(a+d+g)
froms klearn.metricsimportconfusion _ matrixfromsklearn.metricsimportrecall _ scoreimportmatplotlib.pyplotasplt #预测量数据1，0，1，2，1，0，0，1 ] #类别classes=list(set ) (fact ) ) #混淆矩阵confusion=confusion _ matrix (guess ) 之后是指定的颜色块。 可以是gray，也可以是gray_x的相反颜色，PLT.imshow ) conf
usion, cmap=plt.cm.Blues)# 这个东西就要注意了# ticks 这个是坐标轴上的坐标点# label 这个是坐标轴的注释说明indices = range(len(confusion))# 坐标位置放入# 第一个是迭代对象，表示坐标的顺序# 第二个是坐标显示的数值的数组，第一个表示的其实就是坐标显示数字数组的index，但是记住必须是迭代对象plt.xticks(indices, classes)plt.yticks(indices, classes)# 热度显示仪？就是旁边的那个验孕棒啦plt.colorbar()# 就是坐标轴含义说明了plt.xlabel('guess')plt.ylabel('fact')# 显示数据，直观些for first_index in range(len(confusion)): for second_index in range(len(confusion[first_index])): plt.text(first_index, second_index, confusion[first_index][second_index]) # 显示plt.show() # PS:注意坐标轴上的显示，就是classes# 如果数据正确的，对应关系显示错了就功亏一篑了# 一个错误发生，想要说服别人就更难了from sklearn.metrics import confusion_matrixfrom sklearn.metrics import recall_scoreimport matplotlib.pyplot as plt # 预测数据，predict之后的预测结果集guess = [1, 0, 1, 2, 1, 0, 1, 0, 1, 0]# 真实结果集fact = [0, 1, 0, 1, 2, 1, 0, 1, 0, 1]# 类别classes = list(set(fact))# 排序，准确对上分类结果classes.sort()# 对比，得到混淆矩阵confusion = confusion_matrix(guess, fact)# 热度图，后面是指定的颜色块，gray也可以，gray_x反色也可以plt.imshow(confusion, cmap=plt.cm.Blues)# 这个东西就要注意了# ticks 这个是坐标轴上的坐标点# label 这个是坐标轴的注释说明indices = range(len(confusion))# 坐标位置放入# 第一个是迭代对象，表示坐标的顺序# 第二个是坐标显示的数值的数组，第一个表示的其实就是坐标显示数字数组的index，但是记住必须是迭代对象plt.xticks(indices, classes)plt.yticks(indices, classes)# 热度显示仪？就是旁边的那个验孕棒啦plt.colorbar()# 就是坐标轴含义说明了plt.xlabel('guess')plt.ylabel('fact')# 显示数据，直观些for first_index in range(len(confusion)): for second_index in range(len(confusion[first_index])): plt.text(first_index, second_index, confusion[first_index][second_index]) # 显示plt.show() # PS:注意坐标轴上的显示，就是classes# 如果数据正确的，对应关系显示错了就功亏一篑了# 一个错误发生，想要说服别人就更难了