我是机器学习和scikit中的新成员。我想知道如何用scikit来计算10倍克洛斯浓度的混淆矩阵。我怎样才能找到y_test和y_pred?混淆矩阵在scikit学习中进行10倍交叉验证
2
A
回答
2
def plot_confusion_matrix(cm, classes,
normalize=False,
title='Confusion matrix',
cmap=plt.cm.Blues):
"""
This function prints and plots the confusion matrix.
Normalization can be applied by setting `normalize=True`.
"""
plt.imshow(cm, interpolation='nearest', cmap=cmap)
plt.title(title)
plt.colorbar()
tick_marks = np.arange(len(classes))
plt.xticks(tick_marks, classes, rotation=45)
plt.yticks(tick_marks, classes)
if normalize:
cm = cm.astype('float')/cm.sum(axis=1)[:, np.newaxis]
print("Normalized confusion matrix")
else:
print('Confusion matrix, without normalization')
print(cm)
thresh = cm.max()/2.
for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])):
plt.text(j, i, cm[i, j],
horizontalalignment="center",
color="white" if cm[i, j] > thresh else "black")
plt.tight_layout()
plt.ylabel('True label')
plt.xlabel('Predicted label')
from sklearn import datasets
from sklearn.cross_validation import cross_val_score
from sklearn import svm
from sklearn.metrics import confusion_matrix
import itertools
import numpy as np
import matplotlib.pyplot as plt
from sklearn import cross_validation
iris = datasets.load_iris()
class_names = iris.target_names
# shape of data is 150
cv = cross_validation.KFold(150, n_folds=10,shuffle=False,random_state=None)
for train_index, test_index in cv:
X_tr, X_tes = iris.data[train_index], iris.data[test_index]
y_tr, y_tes = iris.target[train_index],iris.target[test_index]
clf = svm.SVC(kernel='linear', C=1).fit(X_tr, y_tr)
y_pred=clf.predict(X_tes)
cnf_matrix = confusion_matrix(y_tes, y_pred)
np.set_printoptions(precision=2)
# Plot non-normalized confusion matrix
plt.figure()
plot_confusion_matrix(cnf_matrix, classes=class_names,
title='Confusion matrix, without normalization')
# Plot normalized confusion matrix
plt.figure()
plot_confusion_matrix(cnf_matrix, classes=class_names, normalize=True,
title='Normalized confusion matrix')
plt.show()
相关问题
- 1. Scikit学习混淆矩阵
- 2. LeaveOneOut scikit的交叉验证学习
- 3. 机器学习中使用10倍交叉验证的代码
- 4. scikit-learn中的10 * 10交叉验证?
- 5. 10倍交叉验证
- 6. knn中的leave-one-out交叉验证和混淆矩阵
- 7. 在scikit中自定义交叉验证学习
- 8. 交叉验证,scikit学习,并行速度较慢
- 9. scikit中的OneHotEncoder混淆学习
- 10. 交叉验证与Scikit中的网格搜索学习
- 11. 为什么交叉验证用于RandomForestRegressor失败在scikit学习
- 12. Scikit学习使用朴素贝叶斯多类分类与10倍交叉验证
- 13. 10倍交叉验证 - 功能问题
- 14. 如何使用交叉scikit学习
- 15. 如何解释Scikit-learn混淆矩阵
- 16. 在Scikit-learn中将RandomizedSearchCV(或GridSearcCV)与LeaveOneGroupOut进行交叉验证
- 17. K使用矩阵进行交叉验证
- 18. 如何使用matlab执行10倍交叉验证?
- 19. Scikit学习非负矩阵分解(NMF)为稀疏矩阵
- 20. 使用自定义管道进行交叉验证scikit-learn
- 21. keras/scikit-learn:使用fit_generator()进行交叉验证
- 22. 如何发送数据帧到scikit进行交叉验证?
- 23. 深度学习的混乱矩阵
- 24. Q学习教程混淆
- 25. Tensorflow混淆矩阵
- 26. 与混淆矩阵
- 27. MATLAB混淆矩阵
- 28. Labview矩阵混淆
- 29. Javascript矩阵混淆
- 30. PDL矩阵混淆
您需要在sklearn首先使用sklearn.pipeline.Pipeline方法:http://scikit-learn.org/stable/modules/generated/sklearn.pipeline.Pipeline.html。然后您需要从sklearn.cross_validation导入KFold。对于混淆矩阵,您可以查看:http://scikit-learn.org/stable/auto_examples/model_selection/plot_confusion_matrix.html。在一个很好的功能中结合所有这3个步骤。 – PJay
Hi P Jay。你能帮我更多的示例代码。 –