Привет! Сегодня я хочу поделиться с вами своим опытом по визуализации матрицы ошибок и отчета классификации с помощью функций confusion_matrix и classification_report из библиотеки Scikit-learn․ Это очень полезный инструмент для анализа результатов классификационных моделей, который помогает оценить точность и качество работы модели․
Для начала, давайте рассмотрим, как можно создать матрицу ошибок․ Матрица ошибок показывает количество верно и неверно классифицированных примеров для каждого класса․ Scikit-learn предоставляет функцию confusion_matrix, которая позволяет создать эту матрицу․ Для этого нужно передать истинные метки и предсказанные метки в качестве аргументов․Ниже приведен пример кода, который поможет вам создать матрицу ошибок⁚
python
from sklearn․metrics import confusion_matrix
true_labels [0, 1, 2, 0, 1, 2]
predicted_labels [0, 2, 1, 0, 2, 2]
cm confusion_matrix(true_labels, predicted_labels)
После выполнения этого кода, вы получите матрицу ошибок в виде двумерного массива․ Элемент (i, j) этого массива показывает количество примеров класса i, которые были отнесены к классу j․
Теперь перейдем к отчету классификации․ Отчет классификации предоставляет более детальную информацию о производительности модели, такую как точность (precision), полнота (recall) и F1-мера (F1-score) для каждого класса․ Функция classification_report из Scikit-learn позволяет создать этот отчет․ Для этого также нужно передать истинные метки и предсказанные метки в качестве аргументов․Вот пример кода для создания отчета классификации⁚
python
from sklearn․metrics import classification_report
true_labels [0, 1, 2, 0, 1, 2]
predicted_labels [0, 2, 1, 0, 2, 2]
report classification_report(true_labels, predicted_labels)
После выполнения этого кода, вы получите отчет классификации в виде текста․ В этом отчете будут указаны значения точности, полноты и F1-меры для каждого класса, а также средневзвешенные значения этих метрик по всем классам․Теперь давайте поговорим о визуализации матрицы ошибок и отчета классификации․ Поскольку матрица ошибок является двумерным массивом, ее можно легко визуализировать с помощью тепловой карты (heatmap)․ Для этого можно использовать библиотеку Matplotlib․Вот пример кода, который поможет вам визуализировать матрицу ошибок⁚
python
import matplotlib․pyplot as plt
import seaborn as sns
sns․heatmap(cm, annotTrue, cmap’Blues’)
plt․xlabel(‘Predicted labels’)
plt․ylabel(‘True labels’)
plt․show
После выполнения этого кода, вы увидите тепловую карту, где каждая ячейка будет показывать количество примеров, отнесенных к данному классу․Отчет классификации можно также визуализировать с помощью библиотеки Matplotlib․ Вы можете просто вывести текст отчета на экран или сохранить его в виде файла․Вот пример кода, который поможет вам вывести отчет классификации на экран⁚
python
print(report)
А вот пример кода, который поможет вам сохранить отчет классификации в файл⁚
python
with open(‘classification_report․txt’, ‘w’) as file⁚
file;write(report)
Я надеюсь, что эта статья была полезной для вас․ Теперь вы знаете, как визуализировать матрицу ошибок и отчет классификации с помощью функций из библиотеки Scikit-learn․ Удачи в ваших анализах данных!