বিভ্রান্তির ম্যাট্রিক্স হ'ল ভুল শংসাপত্রের সংখ্যা, যেমন, পূর্বাভাসীকৃত শ্রেণীর সংখ্যা যা সত্য শ্রেণীর উপর ভিত্তি করে একটি ভুল শ্রেণিবদ্ধকরণ বিনে শেষ হয়েছিল তা ট্যাবলেট করার একটি উপায়।
স্কলেয়ার.মেট্রিক্স.কনফিউশন_ম্যাট্রিক্স একটি সংখ্যার ম্যাট্রিক্স সরবরাহ করে, আমি নিম্নলিখিতটি ব্যবহার করে একটি 'প্রতিবেদন' উত্পন্ন করতে আরও দরকারী বলে মনে করি:
import pandas as pd
y_true = pd.Series([2, 0, 2, 2, 0, 1, 1, 2, 2, 0, 1, 2])
y_pred = pd.Series([0, 0, 2, 1, 0, 2, 1, 0, 2, 0, 2, 2])
pd.crosstab(y_true, y_pred, rownames=['True'], colnames=['Predicted'], margins=True)
যার ফলাফল:
Predicted 0 1 2 All
True
0 3 0 0 3
1 0 1 2 3
2 2 1 3 6
All 5 2 5 12
এটি আমাদের তা দেখতে দেয়:
- তির্যক উপাদানগুলি প্রতিটি শ্রেণীর জন্য সঠিক শ্রেণিবদ্ধের সংখ্যা দেখায়: 0, 1 এবং 2 শ্রেণির জন্য 3, 1 এবং 3।
- অফ-ডায়াগোনাল উপাদানগুলি ভুল শৃঙ্খলা সরবরাহ করে: উদাহরণস্বরূপ, শ্রেণি 2 এর 2 টি 0 হিসাবে বিয়োগযুক্ত ছিল, 0 শ্রেণির কোনওটিই 2 হিসাবে বিযুক্ত ছিল না, ইত্যাদি etc.
- উভয়
y_true
এবং y_pred
"সমস্ত" সাবটোটাল থেকে প্রতিটি শ্রেণীর জন্য মোট শ্রেণিবদ্ধকরণের সংখ্যা
এই পদ্ধতিটি পাঠ্য লেবেলগুলির জন্যও কাজ করে এবং ডেটাসেটে প্রচুর পরিমাণে নমুনার জন্য শতাংশের প্রতিবেদন সরবরাহ করা যায় to
import numpy as np
import pandas as pd
# create some data
lookup = {0: 'biscuit', 1:'candy', 2:'chocolate', 3:'praline', 4:'cake', 5:'shortbread'}
y_true = pd.Series([lookup[_] for _ in np.random.random_integers(0, 5, size=100)])
y_pred = pd.Series([lookup[_] for _ in np.random.random_integers(0, 5, size=100)])
pd.crosstab(y_true, y_pred, rownames=['True'], colnames=['Predicted']).apply(lambda r: 100.0 * r/r.sum())
তারপরে আউটপুটটি হ'ল:
Predicted biscuit cake candy chocolate praline shortbread
True
biscuit 23.529412 10 23.076923 13.333333 15.384615 9.090909
cake 17.647059 20 0.000000 26.666667 15.384615 18.181818
candy 11.764706 20 23.076923 13.333333 23.076923 31.818182
chocolate 11.764706 5 15.384615 6.666667 15.384615 13.636364
praline 17.647059 10 30.769231 20.000000 0.000000 13.636364
shortbread 17.647059 35 7.692308 20.000000 30.769231 13.636364
যেখানে সংখ্যাগুলি এখন শ্রেণিবদ্ধ করা ফলাফলগুলির শতাংশের (মামলার সংখ্যার চেয়ে) প্রতিনিধিত্ব করে।
যদিও দ্রষ্টব্য, যে sklearn.metrics.confusion_matrix
আউটপুট সরাসরি ব্যবহার করে ভিজ্যুয়ালাইজ করা যায়:
import matplotlib.pyplot as plt
conf = sklearn.metrics.confusion_matrix(y_true, y_pred)
plt.imshow(conf, cmap='binary', interpolation='None')
plt.show()