标签: confusion-matrix

我有一个像这样的混淆矩阵:

[1   0   0   0   0 ]
[0  0.9  0  0.1  0 ]
[0   0   1   0   0 ]
[0   0   0   1   0 ]
[0.1 0  0.2  0  0.7]

行表示真实的基础,列表示分类结果.我想在网格中以图形方式绘制它.我试过surface但它只显示了一个4x4的数字,而我的矩阵有5x5的大小.我怎样才能做到这一点？

我有一个我想使用以下表格进行分析confusionMatrix：

value<-cbind(c(rnorm(100,500,90),rnorm(100,800,120)))
genotype<-cbind(c(rep("A",100),rep("B",100)))
df<-cbind(value,genotype)
df<-as.data.frame(df)
colnames(df)<-c("value","genotype")
df$value<-as.numeric(as.character(df$value))
table(value>600,genotype)

我想分析输出的敏感性和特异性，confusionMatrix但它不起作用：

confusionMatrix(table(value>600,genotype))

如果我做错了什么有什么想法吗？

我使用R生成了一个混淆矩阵,如下所示.

是否可以从该矩阵中检索出假负值61并分配给R中的变量？$ byClass似乎不适合这种情况.谢谢.

Confusion Matrix and Statistics

              Reference
    Prediction   no  yes
           no  9889   61
           yes    6   44

               Accuracy : 0.9933          
                 95% CI : (0.9915, 0.9948)
    No Information Rate : 0.9895          
    P-Value [Acc > NIR] : 4.444e-05       

                  Kappa : 0.5648          
 Mcnemar's Test P-Value : 4.191e-11       

            Sensitivity : 0.9994          
            Specificity : 0.4190          
         Pos Pred Value : 0.9939          
         Neg Pred Value : 0.8800          
             Prevalence : 0.9895          
         Detection Rate : 0.9889          
   Detection Prevalence : 0.9950          
      Balanced Accuracy : 0.7092          

       'Positive' Class : no     

我想使用我的训练数据和测试数据为我的逻辑回归计算两个混淆矩阵：

logitMod <- glm(LoanStatus_B ~ ., data=train, family=binomial(link="logit"))

我将预测概率的阈值设置为 0.5：

confusionMatrix(table(predict(logitMod, type="response") >= 0.5,
                      train$LoanStatus_B == 1))

下面的代码适用于我的训练集。但是，当我使用测试集时：

confusionMatrix(table(predict(logitMod, type="response") >= 0.5,
                      test$LoanStatus_B == 1))

它给了我一个错误

Error in table(predict(logitMod, type = "response") >= 0.5, test$LoanStatus_B == : all arguments must have the same length

为什么是这样？我怎样才能解决这个问题？谢谢！

如何将大熊猫DataFrame展示为散景热图？

https://bokeh.pydata.org/en/latest/docs/user_guide/categorical.html#heat-maps显示了一些示例,但尝试修改始终只给出了一个空图.

示例混淆矩阵:

df = pd.DataFrame([[10, 0, 1], [1, 10, 0], [1, 1, 9]], 
                  columns=['A', 'B', 'C'], 
                  index=['A', 'B', 'C'])
df.index.name = 'Treatment'
df.columns.name = 'Prediction'

我尝试使用谷歌张量流确定用Python编写的神经网络模型的confusion_matrix。通过使用这段代码：

cm = tf.zeros(shape=[2,2], dtype=tf.int32)

for i in range(0, validation_data.shape[0], batch_size_validation):
    batched_val_data = np.array(validation_data[i:i+batch_size_validation, :, :], dtype='float')
    batched_val_labels = np.array(validation_labels[i:i+batch_size_validation, :], dtype='float')

    batched_val_data = batched_val_data.reshape((-1, n_chunks, chunk_size))            

    _acc, _c, _p = sess.run([accuracy, correct, pred], feed_dict=({x:batched_val_data, y:batched_val_labels}))

    #batched_val_labels.shape ==> (2048, 2)
    #_p.shape                 ==> (2048, 2)
    #this piece of code throws the error!
    cm = tf.confusion_matrix(labels=batched_val_labels, predictions=_p)

我收到以下错误： ValueError: Shape (2, 2048, 2) 必须具有等级 2

至少您应该知道验证标签的数组batched_val_labels是一个单热数组。有人可以帮我吗？提前致谢！

我已经使用 keras 训练了 CNN 模型（多类分类），现在我想在我的测试图像集上评估该模型。有没有办法创建混淆矩阵？

在我的 sklearn 逻辑回归模型中，我使用metrics.confusion_matrix命令获得了一个混淆矩阵。数组看起来像这样

array([[51,  0],
   [26,  0]])

忽略模型做得很糟糕的事实，我试图了解以漂亮的方式制表此矩阵的最佳方法是什么

我正在尝试使用tabulate 包，此代码部分适用于我

print tabulate(cm,headers=['Pred True', 'Pred False']) 

因为它给出了输出

  Pred True    Pred False
-----------  ------------
     51             0
     26             0

编辑

要插入行名称，我意识到插入元素而不是 zip 会有所帮助

cm_list=cm.tolist()
cm_list[0].insert(0,'Real True')
cm_list[1].insert(0,'Real False')
print tabulate(cm_list,headers=['Real/Pred','Pred True', 'Pred False'])

因为它给

Real/Pred      Pred True    Pred False
-----------  -----------  ------------
Real True             51             0
Real False            26             0

但是，仍然想知道是否有更快或替代的美化混淆矩阵的方法。（我在网上找到了一些绘图示例，但我不需要那个）

谢谢，

我有以下数据框：

v1  v2  v3  v4  v5
0   t   1   12  N/A
1   t   0   34  N/A
2   t   1   45  N/A
5   f   0   76  N/A
12  f   0   98  N/A
45  t   1   45  M

我希望能够在 v2 和 v3 两列上构造以下混淆矩阵：

    t  |  f
 0  1     2
 1  3     0

在 R 中执行此操作的最优雅方法是什么

我有多个熊猫数据框如下：

data1 = {'1':[4], '2':[2], '3':[6]}
baseline = pd.DataFrame(data1)

 # baseline output  
   1  2  3
0  4  2  6

data2 = {'1':[3], '2':[5], '5':[5]}
forecast1 = pd.DataFrame(data2)

# forecast1 output
   1  2  5
0  3  5  5

data3 = {'1':[2], '3':[4], '5':[5], '6':[2]}
forecast2 = pd.DataFrame(data3)

# forecast2 output
   1  3  5  6
0  2  4  5  2

与基线数据框（即基线 vs 预测 1 和基线 vs 预测 2）相比，我如何计算预测 1和预测 2（分别）的准确性（或混淆矩阵）？