混淆矩陣

（1）對(duì)于二分類(lèi)
TP(True Positive)：將正類(lèi)預(yù)測(cè)為正類(lèi)數(shù)，真實(shí)為0，預(yù)測(cè)也為0
FN(False Negative)：將正類(lèi)預(yù)測(cè)為負(fù)類(lèi)數(shù)，真實(shí)為0，預(yù)測(cè)為1
FP(False Positive)：將負(fù)類(lèi)預(yù)測(cè)為正類(lèi)數(shù)， 真實(shí)為1，預(yù)測(cè)為0
TN(True Negative)：將負(fù)類(lèi)預(yù)測(cè)為負(fù)類(lèi)數(shù)，真實(shí)為1，預(yù)測(cè)也為1
則混淆矩陣如下：

（2）對(duì)于多分類(lèi)
多分類(lèi)不再有正例與反例之分，我們?cè)O(shè)為類(lèi)別1，類(lèi)別2，類(lèi)別3,混淆矩陣如下：

import numpy as np
import copy
import matplotlib.pyplot as plt
import random


def confusion_matrix(y_true, y_pred, n):
    matrix = np.zeros((n, n))
    if n == 2:  # 二分類(lèi)
        for i in range(len(y_true)):
            row = int(y_true[i]-1)
            col = int(y_pred[i]-1)
            matrix[row, col] += 1
    else:  # 多分類(lèi)
        for i in range(len(y_true)):
            row = int(y_true[i])
            col = int(y_pred[i])
            matrix[row, col] += 1
    return matrix

精準(zhǔn)率和召回率

（1）對(duì)于二分類(lèi)
精確率Precision=TP/(TP+FP),召回率recall= TP/(TP+FN)
（2）對(duì)于多分類(lèi)
多分類(lèi)不再擁有正例與反例之分，因此精確率與召回率必須針對(duì)具體某一類(lèi)別，但在計(jì)算某一類(lèi)別的精確率和召回率依舊可以將一個(gè)nn的混淆矩陣壓縮成二分類(lèi)的混淆矩陣去求。以上述三分類(lèi)混淆矩陣為例，求類(lèi)別1的精確率與召回率。33混淆矩陣轉(zhuǎn)換成如下2*2混淆矩陣：

ROC曲線(xiàn)

（1）對(duì)于二分類(lèi)
生成一個(gè)ROC曲線(xiàn),只需要真正率(TPR)和假正率(FPR)。TPR決定了一個(gè)分類(lèi)器在所有正例樣本中能正確區(qū)分的正例的性能.而FPR是決定了在所有假例的樣本中有多少假正例的判斷. ROC曲線(xiàn)中分別將FPR和TPR定義為x和y軸。AUC即ROC曲線(xiàn)下的面積。
（2）對(duì)于多分類(lèi)
對(duì)于多分類(lèi)最大的問(wèn)題就是沒(méi)有正例與假例之分，也沒(méi)有真正率與假正率之說(shuō)，ROC曲線(xiàn)也需要對(duì)應(yīng)具體的某一類(lèi)別得出。因此我提出了上述將多分類(lèi)的混淆矩陣壓縮成二分類(lèi)混淆矩陣的方法，以此來(lái)計(jì)算真正與假正率。這樣和二分類(lèi)統(tǒng)一起來(lái)，方便理解與編代碼。

def roc(y_true, y_pred):
    sort_pred = copy.deepcopy(y_pred)
    sort_pred.sort(reverse=True)
    TPR = []
    FPR = []
    for i in range(len(sort_pred)):
        threshold = sort_pred[i]
        label_pred = np.array(copy.deepcopy(y_pred))
        label_true = np.array(copy.deepcopy(y_true))
        label_pred[label_pred > threshold] = 1
        label_pred[label_pred <= threshold] = 0
        label_true[label_true != 1] = 0
        matrix = confusion_matrix(list(label_true), list(label_pred), 2)
        tpr = matrix[0][0]/(matrix[0][0]+matrix[0][1])
        fpr = matrix[1][0]/(matrix[1][0]+matrix[1][1])
        TPR.append(tpr)
        FPR.append(fpr)
    x = np.array(FPR)
    y = np.array(TPR)
    plt.plot(x, y)
    plt.show()

簡(jiǎn)單測(cè)試一下

random.seed(0)
y_pred = [0.5+random.uniform(-0.2, 0.2) for _ in range(100)]
y_true = [random.randint(0, 3) for _ in range(100)]
roc(y_true, y_pred)

完整代碼：https://github.com/robin-hlt/Machine-Learning-Confusion-Matrix-and-ROC文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-812345.html

到了這里，關(guān)于機(jī)器學(xué)習(xí) | 混淆矩陣和ROC曲線(xiàn)的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！