为什么scikit学习混淆矩阵被颠倒？

Question

我有3个问题：

1）

sklearn的混淆矩阵如下：

TN | FP
FN | TP

当我查看在线资源时，我发现它是这样的：

TP | FP
FN | TN

我应该考虑哪个？

2）

由于上述scikit学习的混淆矩阵与我在其他解决方案中发现的混淆矩阵不同，因此在多类混淆矩阵中，结构将是什么？我在这里看这篇文章： Scikit-learn: How to obtain True Positive, True Negative, False Positive and False Negative 在该帖子中，@ lucidv01d发布了一个图表，以了解多类的类别。 scikit learning中的类别是否相同？

3）

您如何计算多分类的准确性？例如，我有这个混淆矩阵：

[[27  6  0 16]
 [ 5 18  0 21]
 [ 1  3  6  9]
 [ 0  0  0 48]]

在我提到问题2的同一篇文章中，他写了这个等式：

总体准确性

ACC =（TP + TN）/（TP + FP + FN + TN）

但这不只是二进制文件吗？我的意思是，我应该在哪个班级上取代TP？

Answer 1

sklearn之所以显示出混乱矩阵的原因

TN | FP
FN | TP

之所以这样，是因为在他们的代码中，他们将0视为否定类，而将1视为肯定类。 sklearn始终认为较小的数字为负，较大的数字为正。用数字表示的是类值（0或1）。顺序取决于您的数据集和类。

准确度是对角线元素之和除以所有元素之和。p对角线元素是正确预测的数量。

Answer 2

sklearn guide说：“（维基百科和其他参考文献可能对轴使用不同的约定）”

是什么意思？在构建混淆矩阵时，第一步是确定将预测值和实际值（真实标签）放在何处。有两种可能性：

• 将预测放入列，将真实标签放入行
• 将预测放入行，将真实标签放入列

完全主观决定您要走的路。从中的here这张图片可以清楚地看出，scikit-learn的约定是将预测放在列中，将真实标签放在行中。

因此，根据scikit-learns约定，它的意思是：

• 第一列包含负面预测（TN和FN）
• 第二列包含正面预测（TP和FP）
• 第一行包含否定标签（TN和FP）
• 第二行包含正标签（TP和FN）
• 对角线包含正确预测的标签数。

基于这些信息，我认为您将能够解决问题的第1部分和第2部分。

对于第3部分，您只需将对角线上的值相加，然后除以所有元素的总和，即

（27 + 18 + 6 + 48）/（27 + 18 + 6 + 48 + 6 + 16 + 5 + 21 + 1 + 3 + 9）

或者您可以只使用score（）函数。

Answer 3

• scikit-learn约定是将预测放在列中，将实际值放在行中

• 默认情况下，scikit-learn约定是将负类（顶部）设置为0，将正类（底部）设置为1。可以使用标签= [1,0]更改顺序。 您可以通过这种方式计算总体准确性

  M = np.array（[[27，6，0，16]，[5，18,0,21]，[1,3,6,9]，[0,0,0,48]] ）

  M

对角线总和

w = M.diagonal()
w.sum()

99

矩阵总和

M.sum()

160

ACC = w.sum()/M.sum()
ACC

0.61875