Jak interpretować macierz nieporozumień Sklearn

Korzystam z macierzy zamieszania, aby sprawdzić wydajność mojego klasyfikatora.

Używam Scikit-Learn, jestem trochę zdezorientowany. Jak mogę zinterpretować wynik

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]])

Jak podjąć decyzję, czy te przewidywane wartości są dobre, czy nie.

Macierz nieporozumień jest sposobem na zestawienie liczby błędnych klasyfikacji, tj. Liczby przewidywanych klas, które trafiły do ​​niewłaściwego koszyka klasyfikacyjnego w oparciu o prawdziwe klasy.

Chociaż sklearn.metrics.confusion_matrix zapewnia macierz numeryczną, bardziej użyteczne jest wygenerowanie „raportu” przy użyciu następujących elementów:

import pandas as pd
y_true = pd.Series([2, 0, 2, 2, 0, 1, 1, 2, 2, 0, 1, 2])
y_pred = pd.Series([0, 0, 2, 1, 0, 2, 1, 0, 2, 0, 2, 2])

pd.crosstab(y_true, y_pred, rownames=['True'], colnames=['Predicted'], margins=True)

Co skutkuje w:

Predicted  0  1  2  All
True                   
0          3  0  0    3
1          0  1  2    3
2          2  1  3    6
All        5  2  5   12

To pozwala nam zobaczyć, że:

1. Elementy ukośne pokazują liczbę poprawnych klasyfikacji dla każdej klasy: 3, 1 i 3 dla klas 0, 1 i 2.
2. Elementy nie przekątne zapewniają błędne klasyfikacje: na przykład 2 z klasy 2 zostały błędnie zaklasyfikowane jako 0, żaden z klasy 0 nie został błędnie zaklasyfikowany jako 2 itd.
3. Łączna liczba klasyfikacji dla każdej klasy w obu y_truei y_predz sum częściowych „Wszystkie”

Ta metoda działa również w przypadku etykiet tekstowych, a dla dużej liczby próbek w zestawie danych można rozszerzyć, aby dostarczać raporty procentowe.

import numpy as np
import pandas as pd

# create some data
lookup = {0: 'biscuit', 1:'candy', 2:'chocolate', 3:'praline', 4:'cake', 5:'shortbread'}
y_true = pd.Series([lookup[_] for _ in np.random.random_integers(0, 5, size=100)])
y_pred = pd.Series([lookup[_] for _ in np.random.random_integers(0, 5, size=100)])

pd.crosstab(y_true, y_pred, rownames=['True'], colnames=['Predicted']).apply(lambda r: 100.0 * r/r.sum())

Dane wyjściowe to:

Predicted     biscuit  cake      candy  chocolate    praline  shortbread
True                                                                    
biscuit     23.529412    10  23.076923  13.333333  15.384615    9.090909
cake        17.647059    20   0.000000  26.666667  15.384615   18.181818
candy       11.764706    20  23.076923  13.333333  23.076923   31.818182
chocolate   11.764706     5  15.384615   6.666667  15.384615   13.636364
praline     17.647059    10  30.769231  20.000000   0.000000   13.636364
shortbread  17.647059    35   7.692308  20.000000  30.769231   13.636364

gdzie liczby reprezentują teraz procent (a nie liczbę przypadków) wyników, które zostały sklasyfikowane.

Należy pamiętać, że dane sklearn.metrics.confusion_matrixwyjściowe można bezpośrednio wizualizować za pomocą:

import matplotlib.pyplot as plt
conf = sklearn.metrics.confusion_matrix(y_true, y_pred)
plt.imshow(conf, cmap='binary', interpolation='None')
plt.show()

Na macierzy zamieszania na osi y znajdują się wartości rzeczywiste, a na osi x wartości podane przez predyktor. Dlatego liczby na przekątnej są liczbą poprawnych prognoz. A elementy przekątnej są niepoprawnymi przewidywaniami.

W Twoim przypadku:

>>> confusion_matrix(y_true, y_pred)
    array([[2, 0, 0],  # two zeros were predicted as zeros
           [0, 0, 1],  # one 1 was predicted as 2
           [1, 0, 2]]) # two 2s were predicted as 2, and one 2 was 0

Chciałbym graficznie określić potrzebę zrozumienia tego. Jest to prosta matryca, którą należy dobrze zrozumieć przed wyciągnięciem wniosków. Oto uproszczona, możliwa do wyjaśnienia wersja powyższych odpowiedzi.

        0  1  2   <- Predicted
     0 [2, 0, 0]  
TRUE 1 [0, 0, 1]  
     2 [1, 0, 2] 

# At 0,0: True value was 0, Predicted value was 0, - 2 times predicted
# At 1,1: True value was 1, Predicted value was 1, - 0 times predicted
# At 2,2: True value was 2, Predicted value was 2, - 2 times predicted
# At 1,2: True value was 1, Predicted value was 2, - 1 time predicted
# At 2,0: True value was 2, Predicted value was 0, - 1 time predicted...
...Like that