矩阵处理教程（Python混淆矩阵示例和代码） _Python如何实现混淆矩阵

Python如何实现混淆矩阵？在本教程中，你将看到 Python 中混淆矩阵的完整示例。
Python混淆矩阵教程包含的内容如下：

使用pandas创建混淆矩阵
使用seaborn显示混淆矩阵
通过pandas_ml获取额外的统计数据
处理非数字数据

使用 Pandas 在 Python 中创建混淆矩阵首先，这是用于 Python 混淆矩阵的数据集：

y_Current	y_Predicted
1	1
0	1
0	0
1	1
0	0
1	1
0	1
0	0
1	1
0	0
1	0
0	0

然后，你可以通过使用以下代码创建 pandas DataFrame在 Python 中捕获此数据：

import pandas as pddata = https://www.lsbin.com/{'y_Actual':[ 1, 0, 0, 1, 0, 1, 0, 0, 1, 0, 1, 0], 'y_Predicted': [ 1, 1, 0, 1, 0, 1, 1, 0, 1, 0, 0, 0] }df = pd.DataFrame(data, columns=[ 'y_Actual','y_Predicted']) print (df)

这是运行代码后数据的样子：

文章图片
Python如何实现混淆矩阵？要使用pandas创建混淆矩阵，你需要按如下方式应用 pd.crosstab：

confusion_matrix = pd.crosstab(df[ 'y_Actual'], df[ 'y_Predicted'], rownames=[ 'Actual'], colnames=[ 'Predicted']) print (confusion_matrix)

这是创建混淆矩阵的完整Python混淆矩阵代码示例：

import pandas as pddata = https://www.lsbin.com/{'y_Actual':[ 1, 0, 0, 1, 0, 1, 0, 0, 1, 0, 1, 0], 'y_Predicted': [ 1, 1, 0, 1, 0, 1, 1, 0, 1, 0, 0, 0] }df = pd.DataFrame(data, columns=[ 'y_Actual','y_Predicted'])confusion_matrix = pd.crosstab(df[ 'y_Actual'], df[ 'y_Predicted'], rownames=[ 'Actual'], colnames=[ 'Predicted']) print (confusion_matrix)

运行代码，你会得到以下矩阵：

文章图片
Python混淆矩阵教程 - 使用 seaborn显示混淆矩阵你在上一节中刚刚创建的矩阵相当基本。
Python混淆矩阵示例：你可以使用Python 中的seaborn包来更生动地显示矩阵。要完成此任务，你需要将以下两个组件添加到代码中：

将 seaborn 导入为 sn
sn.heatmap(confusion_matrix, annot=True)

你还需要使用matplotlib包通过添加以下内容来绘制结果：

导入 matplotlib.pyplot 作为 plt
plt.show()

把所有东西放在一起：

import pandas as pd import seaborn as sn import matplotlib.pyplot as pltdata = https://www.lsbin.com/{'y_Actual':[ 1, 0, 0, 1, 0, 1, 0, 0, 1, 0, 1, 0], 'y_Predicted': [ 1, 1, 0, 1, 0, 1, 1, 0, 1, 0, 0, 0] }df = pd.DataFrame(data, columns=[ 'y_Actual','y_Predicted']) confusion_matrix = pd.crosstab(df[ 'y_Actual'], df[ 'y_Predicted'], rownames=[ 'Actual'], colnames=[ 'Predicted'])sn.heatmap(confusion_matrix, annot=True) plt.show()

这是你将获得的显示：

文章图片
好多了！
或者，你还可以通过设置margins = True在混淆矩阵的边缘添加总数。
所以你的 Python 代码看起来像这样：

import pandas as pd import seaborn as sn import matplotlib.pyplot as pltdata = https://www.lsbin.com/{'y_Actual':[ 1, 0, 0, 1, 0, 1, 0, 0, 1, 0, 1, 0], 'y_Predicted': [ 1, 1, 0, 1, 0, 1, 1, 0, 1, 0, 0, 0] }df = pd.DataFrame(data, columns=[ 'y_Actual','y_Predicted']) confusion_matrix = pd.crosstab(df[ 'y_Actual'], df[ 'y_Predicted'], rownames=[ 'Actual'], colnames=[ 'Predicted'], margins = True)sn.heatmap(confusion_matrix, annot=True) plt.show()

运行代码，你将获得以下带有总数的混淆矩阵：

文章图片
Python混淆矩阵示例：使用 pandas_ml 获取额外的统计信息你可以使用 Python 中的 pandas_ml 包打印其他统计信息（例如 Accuracy）。你可以使用PIP安装 pandas_ml 包：

pip install pandas_ml

然后，你需要将以下语法添加到代码中：

Confusion_Matrix = ConfusionMatrix(df[ 'y_Actual'], df[ 'y_Predicted']) Confusion_Matrix.print_stats()

以下是可用于获取其他统计信息的完整Python混淆矩阵代码示例：

import pandas as pd from pandas_ml import ConfusionMatrixdata = https://www.lsbin.com/{'y_Actual':[ 1, 0, 0, 1, 0, 1, 0, 0, 1, 0, 1, 0], 'y_Predicted': [ 1, 1, 0, 1, 0, 1, 1, 0, 1, 0, 0, 0] }df = pd.DataFrame(data, columns=[ 'y_Actual','y_Predicted']) Confusion_Matrix = ConfusionMatrix(df[ 'y_Actual'], df[ 'y_Predicted']) Confusion_Matrix.print_stats()

运行代码，你会看到下面的测量结果（注意，如果你在运行代码时遇到错误，你可以考虑更改 pandas 的版本。例如，你可以将 pandas 的版本更改为 0.23。 4 使用此命令：pip install pandas==0.23.4）：

文章图片
对于我们的例子：

TP = True Positives = 4
TN = True Negatives = 5
FP = False Positives = 2
FN = False Negatives = 1

你还可以直接从混淆矩阵中观察 TP、TN、FP 和 FN：

文章图片
对于一个人口12，精度：
【矩阵处理教程（Python混淆矩阵示例和代码）】准确率 = (TP+TN)/人口= (4+5)/12 = 0.75
Python如何实现混淆矩阵？处理非数字数据到目前为止，你已经了解了如何使用数字数据创建混淆矩阵。但是如果你的数据是非数字的呢？
例如，如果你的数据包含非数字值，例如“是”和“否”（而不是“1”和“0”），该怎么办？
在这种情况下：

YES = 1
NO = 0

所以数据集看起来像这样：

y_Actual	y_Predicted
Yes	Yes
No	Yes
No	No
Yes	Yes
No	No
Yes	Yes
No	Yes
No	No
Yes	Yes
No	No
Yes	No
No	No

然后，你可以应用简单的映射练习将“是”映射到 1，将“否”映射到 0。
Python混淆矩阵示例：具体来说，你需要将以下部分添加到代码中：

df [ 'y_Current'] = df [ 'y_Current'].map ({'Yes': 1, 'No': 0}) df[ 'y_Predicted'] = df[ 'y_Predicted'].map({'Yes': 1, 'No': 0})

这就是完整的Python混淆矩阵代码示例的样子：

import pandas as pd from pandas_ml import ConfusionMatrixdata = https://www.lsbin.com/{'y_Actual':[ 'Yes', 'No','No', 'Yes', 'No', 'Yes', 'No','No', 'Yes', 'No', 'Yes', 'No'], 'y_Predicted': [ 'Yes', 'Yes', 'No', 'Yes', 'No', 'Yes', 'Yes', 'No', 'Yes', 'No', 'No','No'] }df = pd.DataFrame(data, columns=[ 'y_Actual','y_Predicted']) df[ 'y_Actual'] = df[ 'y_Actual'].map({'Yes': 1, 'No': 0}) df[ 'y_Predicted'] = df[ 'y_Predicted'].map({'Yes': 1, 'No': 0})Confusion_Matrix = ConfusionMatrix(df[ 'y_Actual'], df[ 'y_Predicted']) Confusion_Matrix.print_stats()

然后你会得到相同的统计数据：