多分类问题混淆矩阵

原创

于 2020-10-30 15:25:40 发布 · 1.7k 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习

本文深入探讨了在机器学习中处理多分类问题时，如何使用混淆矩阵来评估模型性能。通过实例解析，解释了混淆矩阵的各个元素，如真正例、假正例、真负例和假负例，以及它们在衡量分类准确度、查准率、查全率和F1分数等方面的作用。同时，讨论了多类别混淆矩阵的计算方法和其在模型优化过程中的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import numpy as np
from sklearn.pipeline import Pipeline
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import PolynomialFeatures
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_squared_error
from sklearn.linear_model import LogisticRegression
from sklearn import datasets
from sklearn.multiclass import OneVsRestClassifier
from sklearn.multiclass import OneVsOneClassifier
from sklearn.metrics import roc_curve
from sklearn.metrics import roc_auc_score
from sklearn.metrics import precision_score
from sklearn.metrics import confusion_matrix

def LassoRegression(degree):
    return Pipeline([
        ("poly", PolynomialFeatures(degree=degree)),
        ("std_scaler", StandardScaler()),
        ("logic", LogisticRegression())
    ])

digits=datasets.load_digits()
X=digits.data
y=digits.target

train_X,test_X,train_y,test_y = train_test_split(X,y,test_size=0.2,random_state=666)
# logi