Python实现两种多分类混淆矩阵

当我们要评估一个多分类模型时，一个有用的工具就是混淆矩阵。混淆矩阵提供了模型在每个类别上的分类表现。在本文中，我们将解释如何使用Python实现两种多分类混淆矩阵。

多分类混淆矩阵

在多分类问题中，混淆矩阵是一个表格，用于显示实际标签和预测标签之间的关系。

假设，我们有一个多分类模型，其中包含三个类别：汽车、卡车和自行车。我们通过混淆矩阵来看看模型在这三个类别上的表现。

下图是一个三类混淆矩阵的示例：

                  汽车      卡车       自行车
实际标签    汽车    20       5           0
           卡车    3         12        2
           自行车  1         0           13

例如，该模型错误地将一辆卡车分类为汽车，这个错误被标识为（卡车，汽车）。

接下来，我们介绍两种不同的方法来计算多分类混淆矩阵的指标。

方法1: sklearn库中的混淆矩阵

本方法中，我们将使用scikit-learn库的confusion_matrix() 函数来计算多分类混淆矩阵。

下面是代码示例：

from sklearn.metrics import confusion_matrix
import numpy as np

y_true = [0, 1, 2, 0, 1, 2, 0, 1, 2]
y_pred = [0, 0, 0, 0, 1, 1, 2, 2, 2]

confusion_matrix = confusion_matrix(y_true, y_pred)

print(confusion_matrix)

上述代码演示了一个针对3个类别的多分类混淆矩阵的计算。

以下是输出结果：

[[3 0 0]
 [1 1 1]
 [0 1 2]]

方法2:自定义混淆矩阵

本方法中，我们将使用numpy的bincount()函数来手动计算多分类混淆矩阵。下文代码演示了这一操作方法：

import numpy as np

y_true = [0, 1, 2, 0, 1, 2, 0, 1, 2]
y_pred = [0, 0, 0, 0, 1, 1, 2, 2, 2]

n_classes = 3

confusion_matrix = np.zeros((n_classes, n_classes))

for true, pred in zip(y_true, y_pred):
    confusion_matrix[true][pred] += 1

print(confusion_matrix)

以上代码的输出结果如下：

[[3. 0. 0.]
 [1. 1. 1.]
 [0. 1. 2.]]

至此，我们已经介绍了两种多分类混淆矩阵的实现方法。这两种方法都可以计算多分类模型的表现。您可以根据具体情况选择使用哪一种方法。