混淆矩阵和相应参数详解

news2024/11/25 1:20:29

如果一个模型在能够尽量捕获少数类的情况下，还能够尽量对多数类判断正确，则这个模型就非常优秀了。为了评估这样的能力，我们将引入新的模型评估指标：混淆矩阵和ROC曲线。

上面是混淆矩阵。接下来我们结合图像解释一下准确率，精确率，召回率和假正率

准确率可以理解为：分类正确的点（决策超平面上方的红色点+决策超平面下方的紫色点）/全部样本点

精确率可以理解为：决策超平面上方的红色点/决策超平面上方的全部样本点

召回率可以理解为：决策超平面上方的红色点/全部红色样本点。衡量模型捕捉少数类的能力

特异度可以理解为:决策超平面下方的紫色点/全部紫色样本点。衡量模型将多数类判别正确的能力

假正率可以理解为：决策超平面上方的紫色点/全部紫色样本点。衡量模型将多数类判别错误的能力

F1 measure:是精确率和召回率的平衡指标

ROC曲线是一条以不同阈值下的假正率FPR为横坐标，不同阈值下的召回率Recall为纵坐标的曲线。

我们在追求较高的Recall的时候，Precision会下降，就是说随着更多的少数类被捕捉出来，会有更多的多数类被判断错误，但我们很好奇，随着Recall的逐渐增加，模型将多数类判断错误的能力如何变化呢？我们希望理解，我每判断正确一个少数类，就有多少个多数类会被判断错误。假正率正好可以帮助我们衡量这个能力的变化。相对的，Precision无法判断这些判断错误的多数类在全部多数类中究竟占多大的比例，所以无法在提升Recall的过程中也顾及到模型整体Accuracy。因此，我们可以使用Recall和FPR之间的平衡，来替代Recall和Precision之间的平衡，让我们衡量模型在尽量捕捉少数类的时候，误伤多数类的情况如何变化，这就是我们的ROC曲线衡量的平衡。

接下来我们用代码来实现上述过程：

首先导入相应的库：

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.colors import ListedColormap
from sklearn import svm
from sklearn.datasets import make_blobs

再来绘制散点图：

class_1 = 500 #类别1有500个样本
class_2 = 50 #类别2只有50个
centers = [[0.0, 0.0], [2.0, 2.0]] #设定两个类别的中心
clusters_std = [1.5, 0.5] #设定两个类别的方差，通常来说，样本量比较大的类别会更加松散
X, y = make_blobs(n_samples=[class_1, class_2],
                  centers=centers,
                  cluster_std=clusters_std,
                  random_state=0, shuffle=False)
plt.scatter(X[:, 0], X[:, 1], c=y, cmap="rainbow",s=10)

再来绘制决策超平面：

导入混淆矩阵：

from sklearn.metrics import confusion_matrix as CM, precision_score as P, recall_score as R

CM中第一个参数传入真实值，第二个参数传入预测值：

CM(prob.loc[:,"y_true"],prob.loc[:,"pred"],labels=[1,0])

接下来我们绘制ROC曲线：

先导入相应的模块：

from sklearn.metrics import roc_curve

计算假正率，召回率和阈值：

FPR, recall, thresholds = roc_curve(y,clf_proba.decision_function(X), pos_label=1) #计算真正率和假正率 #pos_label=1意思是把1当做正例

导入AUC：

from sklearn.metrics import roc_auc_score as AUC

画图：

plt.figure()
plt.plot(FPR, recall, color='red',
         label='ROC curve (area = %0.2f)' % area)
plt.plot([0, 1], [0, 1], color='black',linestyle='--')
plt.xlim([-0.05, 1.05])
plt.ylim([-0.05, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('Recall')
plt.title('Receiver operating characteristic example')
plt.legend(loc="lower right")
plt.show()

接下来我们通过recall和FPR差异最大的点对应的阈值作为我们最佳的阈值：

maxindex = (recall - FPR).tolist().index(max(recall - FPR))
plt.figure()
plt.plot(FPR, recall, color='red',
         label='ROC curve (area = %0.2f)' % area)
plt.plot([0, 1], [0, 1], color='black', linestyle='--')
plt.scatter(FPR[maxindex],recall[maxindex],c="black",s=30)
plt.xlim([-0.05, 1.05])
plt.ylim([-0.05, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('Recall')
plt.title('Receiver operating characteristic example')
plt.legend(loc="lower right")
plt.show()