为什么scikit学习混淆矩阵是相反的？

Question

我有3个问题：

1)

sklearn的混淆矩阵如下：

TN | FP
FN | TP

当我查看在线资源时，我发现它是这样的：

TP | FP
FN | TN

我应该考虑哪一个？

2)

由于上述 scikit learn 的混淆矩阵与我在其他资源中找到的混淆矩阵不同，在多类混淆矩阵中，结构是什么？我正在看这篇文章： Scikit-learn：如何获得真阳性、真阴性、假阳性和假阴性 在那篇文章中，@lucidv01d 发布了一个图表来了解多类的类别。scikit learn 中的那个类别是否相同？

3)

你如何计算多类的准确性？例如，我有这个混淆矩阵：

[[27  6  0 16]
 [ 5 18  0 21]
 [ 1  3  6  9]
 [ 0  0  0 48]]

在我在问题 2 中提到的同一篇文章中，他写下了这个等式：

整体准确度

ACC = (TP+TN)/(TP+FP+FN+TN)

但这不只是二进制吗？我的意思是，我用什么班级代替TP？

Answer 1

sklearn 显示其混淆矩阵的原因如下

TN | FP
FN | TP

这是因为在他们的代码中，他们认为 0 是负类，而 1 是正类。sklearn 总是将较小的数视为负数，将较大的数视为正数。通过数字，我的意思是类值（0 或 1）。顺序取决于您的数据集和类。

准确度将是对角线元素的总和除以所有元素的总和。p 对角线元素是正确预测的数量。

Answer 2

正如sklearn 指南所说：“（维基百科和其他参考资料可能对轴使用不同的约定）”

这是什么意思？在构建混淆矩阵时，第一步是决定将预测值和真实值（真实标签）放在哪里。有两种可能：

• 将预测放在列上，将真实标签放在行上
• 将预测放在行上，将真正的标签放在列上

决定你想走哪条路是完全主观的。从这张照片中，在这里解释，很明显 scikit-learn 的约定是将预测放在列中，将真实标签放在行中。

因此，根据 scikit-learns 约定，这意味着：

• 第一列包含负预测（TN 和 FN）
• 第二列包含正面预测（TP 和 FP）
• 第一行包含负标签（TN 和 FP）
• 第二行包含正标签（TP 和 FN）
• 的对角线 包含正确预测标签的数量。

根据这些信息，我认为您将能够解决问题的第 1 部分和第 2 部分。

对于第 3 部分，您只需将对角线上的值相加并除以所有元素的总和，即

(27 + 18 + 6 + 48) / (27 + 18 + 6 + 48 + 6 + 16 + 5 + 21 + 1 + 3 + 9)

或者你可以只使用 score() 函数。