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 pd
data = {'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：
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 pd
data = {'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：
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 plt
data = {'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：
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 plt
data = {'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：
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 ConfusionMatrix
data = {'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）：
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：
对于一个人口12，精度：
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 ConfusionMatrix
data = {'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：
以上就是Python混淆矩阵教程的全部内容，希望这些例子可以帮助到你，谢谢阅读。
