使用混淆矩阵的分类报告答案

【问题标题】：classification_report using confusion matrix使用混淆矩阵的分类报告
【发布时间】：2020-04-11 11:05:02
【问题描述】：

我的机器学习模型有一个混淆矩阵。

array([[508,  12],
       [ 78,  36]])

我们还有classification_report

              precision    recall  f1-score   support

           0       0.83      0.98      0.90       123
           1       0.85      0.31      0.45        36

    accuracy                           0.83       159
   macro avg       0.84      0.64      0.67       159
weighted avg       0.83      0.83      0.80       159

为了了解这种机器学习解决方案的功效，我们为传统构建的系统生成了一个混淆矩阵

array([[305,  62],
       [ 108,  50]])

有没有办法从中生成classification_report？标准函数而不是编码，以确保一致性。

【问题讨论】：

标签： python scikit-learn data-science

【解决方案1】：

我建议你在这里阅读这篇文章 https://towardsdatascience.com/beyond-accuracy-precision-and-recall-3da06bea9f6c 。根据混淆矩阵中的值，您可以计算出真阳性、真阴性、假阳性和假阴性。之后，您可以计算使用它们的任何指标。

我找到了一个代码示例 (source)

def evaluate(self, dataset):
        predictions = self.predict(dataset[:,0])
        confusion_matrix = sklearn_confusion_matrix(dataset[:,1], predictions, labels=self.__classes)

        precisions = []
        recalls = []
        accuracies = []

        for gender in self.__classes:
            idx = self.__classes_indexes[gender]
            precision = 1
            recall = 1
            if np.sum(confusion_matrix[idx,:]) > 0:
                precision = confusion_matrix[idx][idx]/np.sum(confusion_matrix[idx,:])
            if np.sum(confusion_matrix[:, idx]) > 0:
                recall = confusion_matrix[idx][idx]/np.sum(confusion_matrix[:, idx])
            precisions.append(precision)
            recalls.append(recall)

        precision = np.mean(precisions)
        recall = np.mean(recalls)
        f1 = (2*(precision*recall))/float(precision+recall)
        accuracy = np.sum(confusion_matrix.diagonal())/float(np.sum(confusion_matrix))

        return precision, recall, accuracy, f1

在代码中，您可以看到如何创建混淆矩阵并得出分数。我知道你已经有了矩阵，所以也许你可以看看第二部分，并尝试了解如何仅使用矩阵计算分数。

【讨论】：