【Sklearn-混淆矩阵】一文搞懂分类模型的基础评估指标：混淆矩阵ConfusionMatrixDisplay

【Sklearn-混淆矩阵】一文搞懂分类模型的基础评估指标：混淆矩阵ConfusionMatrixDisplay

本次修炼方法请往下查看
在这里插入图片描述

🌈 欢迎莅临我的个人主页 👈这里是我工作、学习、实践 IT领域、真诚分享 踩坑集合，智慧小天地！
🎇 免费获取相关内容文档关注：微信公众号，发送 pandas 即可获取
🎇 相关内容视频讲解 B站

🎓 博主简介：AI算法驯化师，混迹多个大厂搜索、推荐、广告、数据分析、数据挖掘岗位 个人申请专利40+，熟练掌握机器、深度学习等各类应用算法原理和项目实战经验。

🔧 技术专长：在机器学习、搜索、广告、推荐、CV、NLP、多模态、数据分析等算法相关领域有丰富的项目实战经验。已累计为求职、科研、学习等需求提供近千次有偿|无偿定制化服务，助力多位小伙伴在学习、求职、工作上少走弯路、提高效率，近一年好评率100% 。

📝 博客风采：积极分享关于机器学习、深度学习、数据分析、NLP、PyTorch、Python、Linux、工作、项目总结相关的实用内容。

🌵文章目录🌵

- 🎯 1. 基本介绍
- 💡 2. 公式推导
- 💡 3. 代码实践
- - 3.1 导入库和准备数据
  - 3.2 训练模型
  - 3.3 画出混淆矩阵
- 💡 4. 注意事项
- 💡 5. 总结

下滑查看解决方法

🎯 1. 基本介绍

在机器学习中，评估分类模型的性能是一个重要环节。混淆矩阵（Confusion Matrix）是一个常用的工具，它展示了模型预测结果与实际标签之间的关系。scikit-learn（简称sklearn）提供了ConfusionMatrixDisplay函数，用于以图形化的方式展示混淆矩阵，使得结果更易于理解。

💡 2. 公式推导

混淆矩阵的基本元素包括：

真正例（True Positives, TP）：正确预测为正类的样本数。
假正例（False Positives, FP）：错误预测为正类的样本数。
真负例（True Negatives, TN）：正确预测为负类的样本数。
假负例（False Negatives, FN）：错误预测为负类的样本数。

混淆矩阵可以表示为：
在这里插入图片描述
此外，混淆矩阵还可以用于计算其他性能指标，如准确率、召回率、精确率和F1分数。

💡 3. 代码实践

3.1 导入库和准备数据

为了更加理解整个函数的处理流程，我们定义数据并对其进行实践，具体如下所示：

import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay# 加载鸢尾花数据集
iris = load_iris()
X, y = iris.data, iris.target# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

3.2 训练模型

具体的优化代码如下所示：

# 创建随机森林分类器实例并训练
clf = RandomForestClassifier(random_state=42)
clf.fit(X_train, y_train)# 在测试集上进行预测
y_pred = clf.predict(X_test)

3.3 画出混淆矩阵


# 计算混淆矩阵
cm = confusion_matrix(y_test, y_pred)# 使用ConfusionMatrixDisplay展示混淆矩阵
disp = ConfusionMatrixDisplay(confusion_matrix=cm)
disp.plot()
plt.title('Confusion Matrix')
plt.show()