如何在多类混淆矩阵中分别获得每个类的结果答案

【问题标题】：How to get the each class results seperately in multiclass confusion matrix如何在多类混淆矩阵中分别获得每个类的结果
【发布时间】：2022-12-30 00:10:17
【问题描述】：

我在这里有实际的课程和 res 课程 - https://extendsclass.com/csv-editor.html#46eaa9e

我想计算每个 A、N、O 类的敏感性、特异性和阳性预测率。这是我的代码

这是代码

from sklearn.metrics import multilabel_confusion_matrix
import numpy as np

mcm = multilabel_confusion_matrix(act_class, pred_class)

tps = mcm[:, 1, 1]
tns = mcm[:, 0, 0]

recall      = tps / (tps + mcm[:, 1, 0])         # Sensitivity
specificity = tns / (tns + mcm[:, 0, 1])         # Specificity
precision   = tps / (tps + mcm[:, 0, 1])         # PPV

print(recall)
print(specificity)
print(precision)
print(classification_report(act_class, pred_class))

这给了我这样的结果

[0.31818182 0.96186441        nan        nan]
[0.99576271 0.86363636 0.86092715 0.99337748]
[0.95454545 0.96186441 0.         0.        ]
              precision    recall  f1-score   support

           A       0.95      0.32      0.48        66
           N       0.96      0.96      0.96       236
           O       0.00      0.00      0.00         0
           ~       0.00      0.00      0.00         0

    accuracy                           0.82       302
   macro avg       0.48      0.32      0.36       302
weighted avg       0.96      0.82      0.86       302

这里的问题是——我无法清楚地推断出 A、N、O 类中的每一个的 sensitivity, specificity, pos predictivity 是什么。

【问题讨论】：

标签： machine-learning scikit-learn classification confusion-matrix

【解决方案1】：

这可能会更快地从视觉上解释：

默认情况下，标签应按排序顺序出现（对于您的问题：A、N、O、~）。

如果您想要不同的顺序，您可以使用 labels= 参数指定一个。以下有两个类，并按以下方式排序：[3, 2]

from sklearn.metrics import multilabel_confusion_matrix
from sklearn.metrics import classification_report

y_true = [2, 2, 2, 2, 2, 3, 3, 3, 3, 3, 3, 3]
y_pred = [2, 2, 2, 3, 3, 2, 2, 2, 3, 3, 3, 3]

mcm = multilabel_confusion_matrix(y_true, y_pred, labels=[3, 2])
tps = mcm[:, 1, 1]
precision = tps / (tps + mcm[:, 0, 1])

print(precision)
print(f"Precision class 3: {precision[0]}. Precision class 2: {precision[1]}")
print(classification_report(y_true, y_pred, labels=[3, 2]))

输出：

[0.66666667 0.5       ]
Precision class 3: 0.6666666666666666. Precision class 2: 0.5
              precision    recall  f1-score   support

           3       0.67      0.57      0.62         7
           2       0.50      0.60      0.55         5

    accuracy                           0.58        12
   macro avg       0.58      0.59      0.58        12
weighted avg       0.60      0.58      0.59        12

【讨论】：