матрица_путаницы

sklearn.metrics.confusion_matrix(y_true, y_pred, *, labels=None, sample_weight=None, normalize=None)[source]

Вычисление матрицы путаницы для оценки точности классификации.

По определению, матрица путаницы \(C\) такова, что \(C_{i, j}\) равно числу наблюдений, известных как принадлежащие группе \(i\) и предсказанных как принадлежащие группе \(j\).

Таким образом, в бинарной классификации количество истинных отрицательных результатов равно \(C_{0,0}\), ложных отрицательных результатов равно \(C_{1,0}\), истинных положительных результатов равно \(C_{1,1}\), а ложных положительных результатов равно \(C_{0,1}\).

Подробнее см. в Руководстве пользователя.

Параметры:

y_trueмассив-подобный формы (n_samples,)

Целевые значения (правильные) фактические значения.

y_predмассив-подобный формы (n_samples,)

Оценённые целевые значения, возвращаемые классификатором.

labelsмассив-подобный формы (n_classes), по умолчанию=None

Список меток для индексации матрицы. Это может использоваться для переупорядочивания или выбора подмножества меток. Если None задано, используются те, которые появляются как минимум один раз в y_true или y_pred в отсортированном порядке.

sample_weightмассив-подобный формы (n_samples,), по умолчанию=None

Веса выборок.

Добавлен в версии 0.18.

normalize{‘true’, ‘pred’, ‘all’}, по умолчанию=None

Нормализует матрицу путаницы по истинным (строки), предсказанным (столбцы) условиям или всей совокупности. Если None, матрица путаницы не будет нормализована.

Возвращает:

Cмассив ndarray формы (n_classes, n_classes)

Матрица путаницы, у которой элемент i-й строки и j-го столбца указывает количество выборок с истинным меткой, являющейся i-м классом, и предсказанной меткой, являющейся j-м классом.

См. также

ConfusionMatrixDisplay.from_estimator

Постройте матрицу путаницы, заданную оценщиком, данными и метками.

ConfusionMatrixDisplay.from_predictions

Постройте матрицу путаницы по истинным и предсказанным меткам.

ConfusionMatrixDisplay

Визуализация матрицы путаницы.

Ссылки

[1]

Статья Википедии о матрице путаницы (Википедия и другие ссылки могут использовать другую систему осей).

Примеры

>>> from sklearn.metrics import confusion_matrix
>>> y_true = [2, 0, 2, 2, 0, 1]
>>> y_pred = [0, 0, 2, 2, 0, 2]
>>> confusion_matrix(y_true, y_pred)
array([[2, 0, 0],
       [0, 0, 1],
       [1, 0, 2]])

>>> y_true = ["cat", "ant", "cat", "cat", "ant", "bird"]
>>> y_pred = ["ant", "ant", "cat", "cat", "ant", "cat"]
>>> confusion_matrix(y_true, y_pred, labels=["ant", "bird", "cat"])
array([[2, 0, 0],
       [0, 0, 1],
       [1, 0, 2]])

В бинарном случае мы можем извлечь истинные положительные и т. д., как показано ниже:

>>> tn, fp, fn, tp = confusion_matrix([0, 1, 0, 1], [1, 1, 1, 0]).ravel()
>>> (tn, fp, fn, tp)
(np.int64(0), np.int64(2), np.int64(1), np.int64(1))

Примеры из галереи

Основные моменты выпуска scikit-learn 1.5

Визуализация с объектами отображения

Настройка порога решения для обучения с учетом затрат

Распространение меток для цифр с активным обучением