Эта статья была первоначально опубликована на Codeperfectplus.
Введение
Вы были в ситуации, когда вы ожидали, что модель обучения машины действительно хорошо выполняется, но она распыляла плохую точность? Вы сделали всю тяжелую работу – так где же модель классификации пошла не так? Как вы можете исправить это?
Вот приходит Путаница матрицы
также известен как матрица ошибок. Матрица путаницы в основном используется для оценки производительности модели классификации. Как название говорит, что путаница Matrix иногда может быть запутана.
После предварительной обработки, очистки, подгонки и прогнозирования данных мы проверяем производительность модели для создания окончательной модели производства.
Что такое путаница матрицы
Матрица путаницы в основном использует для двоичной классификации. Это таблица сравнения прогнозирования и фактических ценностей. Есть два прогнозируемых класса в бинарной классификации Да (1)
или Нет (0)
(например aive
или Смерть
, Прибыль
и Потеря
). Путаница Matrix состоит из 4 класса Истинный положительный (TP)
, Истинный отрицательный (тн)
, Ложный положительный (FP)
, Ложный отрицательный (FN).
Истинный положительный
Вы проецировали положительное И оказывается, правдой. Например, вы предсказали, что Франция выиграет Кубок мира, и он победил.
Истинный отрицательный:
Когда вы предсказали негатив, и это правда. Вы предсказали, что Англия не победила и потеряла.
Ложный положительный результат:
Ваш прогноз положительный, и это ложно.
Вы предсказали, что Англия победит, но она проиграла.
Ложно отрицательный:
Ваш прогноз отрицательный, и результат также является ложным.
Вы предсказали, что Франция не победит, но она победила.
from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression from sklearn.metrics import confusion_matrix iris = load_iris() X = iris.data y = iris.target X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=24) clf = LogisticRegression().fit(X_train, y_train) y_predict = clf.predict(X_test) cMatrix = confusion_matrix(y_test, y_predict) print(cMatrix)
Больше статей автором
- Построить свой первый Python Chatbot Через 5 минут
- Что такое простая линейная регрессия?
- Логистическая регрессия для проблемы обучения машины
- 5 советов для компьютерных программирования
- Что такое Git и Github?
Присоединяйтесь к еженедельным обновлениям.
Реагировать на поощрение автора.
Оригинал: “https://dev.to/codeperfectplus/what-is-confusion-matrix-in-machine-learning-4gh8”