[PYTHON] À propos de la matrice mixte d'apprentissage automatique

○ Les principaux points de cet article J'ai étudié plusieurs fois, mais je ne me souviens pas de la matrice mixte. Sortie avec le code à retenir.

○ Code source (Python)

Pour tester des matrices mixtes

from sklearn.datasets import load_breast_cancer
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import confusion_matrix
from sklearn.metrics import accuracy_score
from sklearn.metrics import precision_score
from sklearn.metrics import recall_score
from sklearn.metrics import f1_score
import numpy as np

#Télécharger les données sur le cancer du sein
data = load_breast_cancer()
X = data.data
#Inverser 0 et 1 sur l'étiquette (dans l'ensemble de données, 0 est malin, 1 est bénin, mais 0 est bénin et 1 est malin)
y = 1 - data.target
X = X[:, :10]

#Modèle de régression logistique
model = LogisticRegression()
#Apprentissage
model.fit(X, y)
#Prévoir
predict = model.predict(X)
#Instance d'affichage de la matrice mixte
cm = confusion_matrix(y, predict)

Matrice mixte

résultat

print(cm)
[[337  20]
 [ 30 182]]

TN, FP, FN, TP dans l'ordre de haut à gauche à droite TN: En fait, les données négatives sont correctement prédites comme négatives Dans cet exemple, les données bénignes sont correctement prédites comme étant bénignes. FP: En fait, les données négatives sont prédites à tort comme positives Dans cet exemple, les données bénignes ont été prédites à tort comme malignes. FN: En fait, les données positives sont prédites à tort comme négatives Dans cet exemple, les données malignes ont été prédites à tort comme bénignes. TP: En fait, les données positives sont correctement prédites comme positives Dans cet exemple, les données malignes sont correctement prédites comme étant malignes. Quant à la prédiction du cancer, la FN (celle qui a prédit à tort que les données malignes étaient bénignes) est mauvaise.

Taux de réponse correct

Pourcentage de prédictions correctes par rapport aux résultats de prédiction globaux

Taux de réponse correct= (TP + TN) / (TP + TN + FP + FN)

Taux de réponse correct

accuracy_score(y, predict)
0.9121265377855887

Taux de conformité

Pourcentage de ce qui était prévu comme positif par rapport à ce qui était prévu comme positif

Taux de conformité= TP / (TP + FP)

Taux de conformité

precision_score(y, predict)
0.900990099009901

Rappel

Pourcentage de positifs qui peuvent être correctement prédits par rapport aux positifs

Rappel= TP / (TP + FN)

Rappel

recall_score(y, predict)
0.8584905660377359

Valeur F

Une valeur qui reflète les tendances à la fois de précision et de rappel

Valeur F= 2×(Taux de conformité x taux de rappel)/(Taux de conformité+Rappel)

Valeur F

f1_score(y, predict)
0.8792270531400966

■ Impression ・ Je comprends à chaque fois que je lis la définition, mais je l'oublie après un certain temps. .. .. ・ Vous devez le faire apparaître lorsque vous l'utilisez réellement. .. ..