混淆矩阵分类报告-Keras

时间:2018-12-28 12:43:54

标签: scikit-learn keras

我正在运行从git中挑选的代码以了解其工作原理。 这是我可以理解的准确性/损失,但我需要帮助来阐明此混淆矩阵和报告。需要您的帮助。

损耗:0.0553-acc:0.9826-val_loss:0.0492-val_acc:0.9825

混乱矩阵

[[22 10 11  1 15  8  8  8 26 15 14 25  3 33 20]
 [ 9  3  7  3 13  6  2  5  8  6  8  3  0 16 17]
 [11  6  8  0  8  5  1  4  7  9  8  6  1 20 12]
 [ 3  0  2  0  0  2  0  0  2  2  2  2  0  4  2]
 [25  8  3  4 18 10  7  8 11 11 10  7  2 23 11]
 [12  3  4  2  7 13 10  3 15  6  7  3  3 19  9]
 [ 7  5  4  3  5  6  8  4  7  4  7  8  2 19 12]
 [ 6  6  3  0  9  7  7  4  6  8  7  6  2 23  6]
 [18  8  7  2 16  8 10 17 20 25 22 12  3 28 14]
 [17  9 10  3 15  6  7  8 16 15 15 21  0 33 13]
 [15  5  7  3 13 15  8  9 12  8 10 14  2 32 14]
 [17  8  7  0  7  7  6  8 12 15  8  9  3 32 11]
 [ 2  2  1  0  1  1  5  0  4  4  4  3  0  1  1]
 [38 22 26  2 20 15 19 13 41 34 24 20  7 50 23]
 [14  9  9  0 11 11  9  7 18 20 16 14  1 22 14]]

下面是分类报告。

Classification Report
          precision    recall  f1-score   support

     A       0.10      0.10      0.10       219
     B       0.03      0.03      0.03       106
     C       0.07      0.08      0.07       106
     D       0.00      0.00      0.00        21
     E       0.11      0.11      0.11       158
     F       0.11      0.11      0.11       116
     G       0.07      0.08      0.08       101
     H       0.04      0.04      0.04       100
     I       0.10      0.10      0.10       210
     J       0.08      0.08      0.08       188
     K       0.06      0.06      0.06       167
     L       0.06      0.06      0.06       150
     M       0.00      0.00      0.00        29
     N       0.14      0.14      0.14       354
     O       0.08      0.08      0.08       175


   micro avg       0.09      0.09      0.09      2200
   macro avg       0.07      0.07      0.07      2200
weighted avg       0.09      0.09      0.09      2200

请帮助我了解分类报告。我读了有关混淆矩阵的理论,但无法清楚地说明这个喀拉斯输出。另外,什么是微平均,微平均等。需要帮助了解。以上精度似乎还不错。请原谅我,我对此很陌生。

1 个答案:

答案 0 :(得分:0)

我想您最努力地使用微型平均技术。 精度,召回率和f1是非常基础的,您会发现一个清晰的解释here

对于Micro Avg,您可以找到一个很好的示例here: 但基本上,这只是计算平均值的另一种方式。

  

微观和宏观平均值(无论采用何种度量标准)将略有计算   不同的事物,因此它们的解释也不同。一种   宏平均将为每个类别独立计算指标,   然后取平均值(因此平等对待所有班级),而   微观平均将汇总所有类别的贡献   计算平均指标。在多类别分类设置中,   如果您怀疑有可能上课,可以选择微观平均   失衡(即,您可能会发现一类的例子比   其他课程)。

Cited from here