我在混淆矩阵下面有10个Y类别。如何计算A,D和E类的准确性,并分别找到TP,TM,FP和FN?
A B C D E F G H I J
[41, 0, 0, 2, 1, 0, 0, 0, 0, 4],
[ 1, 0, 0, 0, 4, 0, 0, 0, 0, 2],
[ 3, 0, 12, 0, 1, 0, 0, 0, 0, 0],
[ 0, 0, 0, 51, 10, 0, 0, 0, 0, 0],
[ 1, 0, 0, 3, 78, 0, 0, 0, 0, 5],
[ 1, 0, 0, 0, 0, 0, 0, 0, 0, 3],
[ 4, 0, 0, 0, 2, 0, 5, 0, 0, 4],
[ 0, 0, 1, 1, 3, 0, 0, 2, 0, 1],
[ 4, 0, 0, 0, 1, 0, 0, 0, 0, 0],
[10, 0, 0, 5, 15, 0, 0, 0, 0, 24]
谢谢您的帮助!
X = [[41, 0, 0, 2, 1, 0, 0, 0, 0, 4],
[1, 0, 0, 0, 4, 0, 0, 0, 0, 2],
[3, 0, 12, 0, 1, 0, 0, 0, 0, 0],
[0, 0, 0, 51, 10, 0, 0, 0, 0, 0],
[1, 0, 0, 3, 78, 0, 0, 0, 0, 5],
[1, 0, 0, 0, 0, 0, 0, 0, 0, 3],
[4, 0, 0, 0, 2, 0, 5, 0, 0, 4],
[0, 0, 1, 1, 3, 0, 0, 2, 0, 1],
[4, 0, 0, 0, 1, 0, 0, 0, 0, 0],
[10, 0, 0, 5, 15, 0, 0, 0, 0, 24]]
cm = pd.DataFrame(X, columns=list("ABCDEFGHIJ"), index=list("ABCDEFGHIJ"))
print(cm)
输出:
A B C D E F G H I J
A 41 0 0 2 1 0 0 0 0 4
B 1 0 0 0 4 0 0 0 0 2
C 3 0 12 0 1 0 0 0 0 0
D 0 0 0 51 10 0 0 0 0 0
E 1 0 0 3 78 0 0 0 0 5
F 1 0 0 0 0 0 0 0 0 3
G 4 0 0 0 2 0 5 0 0 4
H 0 0 1 1 3 0 0 2 0 1
I 4 0 0 0 1 0 0 0 0 0
J 10 0 0 5 15 0 0 0 0 24
读取混乱矩阵的过程如下:行是实际标签,列是预测标签。完美的模型将具有对角线混淆矩阵,因为它将始终正确预测! Read more on confusion matrices。
在这里,您可以看到您的模型有时是错误的。当答案实际上是A
时,它预测J
的次数是10倍...但是对于类别G
来说特别好:在预测的5次上,它总是正确的!
分类准确度是指在预测的所有次数中,您对预测的正确性进行计数的次数:
>>> cm["A"]["A"] / cm.sum(axis=0)["A"]
0.6307692307692307
>>> cm["D"]["D"] / cm.sum(axis=0)["D"]
0.8225806451612904
>>> cm["E"]["E"] / cm.sum(axis=0)["E"]
0.6782608695652174
这些度量通常在二进制分类设置中有意义,但是对于给定的类别,您可以想象处于一对一的设置(考虑的类别与所有其余部分)的设置(看起来像二进制),因此计算这些度量。
利用this answer,您可以使用以下方法获得每个类别的所有TP,TN,FP,FN值:
FP = cm.sum(axis=0) - np.diag(cm)
FN = cm.sum(axis=1) - np.diag(cm)
TP = pd.Series(np.diag(cm), index=list("ABCDEFGHIJ"))
TN = np.matrix(cm).sum() - (FP + FN + TP)
现在,类别A
的FP是:
>>> FP["A"]
24 # you can verify, it's the sum of all values except diagonal element
相同的逻辑适用于所有其他度量。
要添加到另一个答案中,真阳性和假阳性以及其他指标仅在二项式响应的情况下才有意义。维基百科页面对此进行了更详细的概述:
在上述情况下,不一定要计算总的TP或FP速率,但是可以计算False'A'和True'A',依此类推,如上面的答案所述。