ConfusionMatrixDisplay#

class sklearn.metrics.ConfusionMatrixDisplay(confusion_matrix, *, display_labels=None)[Quelle]#

Visualisierung der Konfusionsmatrix.

Es wird empfohlen, from_estimator oder from_predictions zu verwenden, um eine ConfusionMatrixDisplay zu erstellen. Alle Parameter werden als Attribute gespeichert.

Allgemeine Informationen zu scikit-learn Visualisierungswerkzeugen finden Sie im Visualisierungsleitfaden. Anleitungen zur Interpretation dieser Plots finden Sie im Leitfaden zur Modellbewertung.

Parameter:
confusion_matrixndarray von Shape (n_classes, n_classes)

Konfusionsmatrix.

display_labelsndarray von Shape (n_classes,), Standard=None

Anzeigelabels für den Plot. Wenn None, werden die Anzeigelabels von 0 bis n_classes - 1 gesetzt.

Attribute:
im_matplotlib AxesImage

Bild, das die Konfusionsmatrix darstellt.

text_ndarray von Shape (n_classes, n_classes), dtype=matplotlib Text, oder None

Array von matplotlib Achsen. None, wenn include_values falsch ist.

ax_matplotlib Axes

Achsen mit der Konfusionsmatrix.

figure_matplotlib Figure

Grafik, die die Konfusionsmatrix enthält.

Siehe auch

confusion_matrix

Berechnet die Konfusionsmatrix zur Auswertung der Genauigkeit einer Klassifizierung.

ConfusionMatrixDisplay.from_estimator

Konfusionsmatrix basierend auf einem Schätzer, den Daten und dem Label plotten.

ConfusionMatrixDisplay.from_predictions

Konfusionsmatrix basierend auf den wahren und vorhergesagten Labels plotten.

Beispiele

>>> import matplotlib.pyplot as plt
>>> from sklearn.datasets import make_classification
>>> from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay
>>> from sklearn.model_selection import train_test_split
>>> from sklearn.svm import SVC
>>> X, y = make_classification(random_state=0)
>>> X_train, X_test, y_train, y_test = train_test_split(X, y,
...                                                     random_state=0)
>>> clf = SVC(random_state=0)
>>> clf.fit(X_train, y_train)
SVC(random_state=0)
>>> predictions = clf.predict(X_test)
>>> cm = confusion_matrix(y_test, predictions, labels=clf.classes_)
>>> disp = ConfusionMatrixDisplay(confusion_matrix=cm,
...                               display_labels=clf.classes_)
>>> disp.plot()
<...>
>>> plt.show()
../../_images/sklearn-metrics-ConfusionMatrixDisplay-1.png
classmethod from_estimator(estimator, X, y, *, labels=None, sample_weight=None, normalize=None, display_labels=None, include_values=True, xticks_rotation='horizontal', values_format=None, cmap='viridis', ax=None, colorbar=True, im_kw=None, text_kw=None)[Quelle]#

Plot der Konfusionsmatrix, gegeben einen Schätzer und einige Daten.

Allgemeine Informationen zu scikit-learn Visualisierungswerkzeugen finden Sie im Visualisierungsleitfaden. Anleitungen zur Interpretation dieser Plots finden Sie im Leitfaden zur Modellbewertung.

Hinzugefügt in Version 1.0.

Parameter:
estimatorSchätzer-Instanz

Gefitteter Klassifikator oder eine gefittete Pipeline, bei der der letzte Schätzer ein Klassifikator ist.

X{array-like, sparse matrix} der Form (n_samples, n_features)

Eingabewerte.

yarray-like von Form (n_samples,)

Zielwerte.

labelsarray-like der Form (n_classes,), Standard=None

Liste von Labels zum Indizieren der Konfusionsmatrix. Dies kann verwendet werden, um Labels neu anzuordnen oder eine Teilmenge auszuwählen. Wenn None angegeben wird, werden die Labels verwendet, die mindestens einmal in y_true oder y_pred vorkommen, in sortierter Reihenfolge.

sample_weightarray-like der Form (n_samples,), Standardwert=None

Stichprobengewichte.

normalize{‘true’, ‘pred’, ‘all’}, Standard=None

Entscheidet, ob die im Matrix angezeigten Zählungen normalisiert werden sollen.

  • Wenn 'true', wird die Konfusionsmatrix über die wahren Bedingungen (z. B. Zeilen) normalisiert;

  • Wenn 'pred', wird die Konfusionsmatrix über die vorhergesagten Bedingungen (z. B. Spalten) normalisiert;

  • Wenn 'all', wird die Konfusionsmatrix durch die Gesamtzahl der Samples normalisiert;

  • Wenn None (Standard), wird die Konfusionsmatrix nicht normalisiert.

display_labelsarray-like von Shape (n_classes,), Standard=None

Zielnamen, die für das Plotten verwendet werden. Standardmäßig werden labels verwendet, wenn diese definiert sind, andernfalls werden die eindeutigen Labels von y_true und y_pred verwendet.

include_valuesbool, Standard=True

Beinhaltet Werte in der Konfusionsmatrix.

xticks_rotation{‘vertical’, ‘horizontal’} oder float, Standard=’horizontal’

Rotation der xtick-Labels.

values_formatstr, Standard=None

Formatangabe für Werte in der Konfusionsmatrix. Wenn None, ist die Formatangabe ‘d’ oder ‘.2g’, je nachdem, welche kürzer ist.

cmapstr oder matplotlib Colormap, Standard=’viridis’

Von matplotlib erkannte Colormap.

axmatplotlib Axes, Standard=None

Axes-Objekt, auf dem geplottet werden soll. Wenn None, wird eine neue Figur und Achse erstellt.

colorbarbool, Standard=True

Ob eine Farbleiste zum Plot hinzugefügt werden soll oder nicht.

im_kwdict, Standard=None

Dict mit Schlüsselwörtern, die an den matplotlib.pyplot.imshow Aufruf übergeben werden.

text_kwdict, Standard=None

Dict mit Schlüsselwörtern, die an den matplotlib.pyplot.text Aufruf übergeben werden.

Hinzugefügt in Version 1.2.

Gibt zurück:
displayConfusionMatrixDisplay

Siehe auch

ConfusionMatrixDisplay.from_predictions

Konfusionsmatrix basierend auf den wahren und vorhergesagten Labels plotten.

Beispiele

>>> import matplotlib.pyplot as plt
>>> from sklearn.datasets import make_classification
>>> from sklearn.metrics import ConfusionMatrixDisplay
>>> from sklearn.model_selection import train_test_split
>>> from sklearn.svm import SVC
>>> X, y = make_classification(random_state=0)
>>> X_train, X_test, y_train, y_test = train_test_split(
...         X, y, random_state=0)
>>> clf = SVC(random_state=0)
>>> clf.fit(X_train, y_train)
SVC(random_state=0)
>>> ConfusionMatrixDisplay.from_estimator(
...     clf, X_test, y_test)
<...>
>>> plt.show()
../../_images/sklearn-metrics-ConfusionMatrixDisplay-2_00_00.png

Ein detailliertes Beispiel für die Verwendung einer Konfusionsmatrix zur Auswertung eines Support Vector Classifiers finden Sie unter Leistung eines Klassifikators mit Konfusionsmatrix bewerten

classmethod from_predictions(y_true, y_pred, *, labels=None, sample_weight=None, normalize=None, display_labels=None, include_values=True, xticks_rotation='horizontal', values_format=None, cmap='viridis', ax=None, colorbar=True, im_kw=None, text_kw=None)[Quelle]#

Plot der Konfusionsmatrix, gegeben wahre und vorhergesagte Labels.

Allgemeine Informationen zu scikit-learn Visualisierungswerkzeugen finden Sie im Visualisierungsleitfaden. Anleitungen zur Interpretation dieser Plots finden Sie im Leitfaden zur Modellbewertung.

Hinzugefügt in Version 1.0.

Parameter:
y_truearray-ähnlich mit Form (n_samples,)

Wahre Labels.

y_predarray-ähnlich mit Form (n_samples,)

Die vom Methode predict eines Klassifikators gegebenen vorhergesagten Labels.

labelsarray-like der Form (n_classes,), Standard=None

Liste von Labels zum Indizieren der Konfusionsmatrix. Dies kann verwendet werden, um Labels neu anzuordnen oder eine Teilmenge auszuwählen. Wenn None angegeben wird, werden die Labels verwendet, die mindestens einmal in y_true oder y_pred vorkommen, in sortierter Reihenfolge.

sample_weightarray-like der Form (n_samples,), Standardwert=None

Stichprobengewichte.

normalize{‘true’, ‘pred’, ‘all’}, Standard=None

Entscheidet, ob die im Matrix angezeigten Zählungen normalisiert werden sollen.

  • Wenn 'true', wird die Konfusionsmatrix über die wahren Bedingungen (z. B. Zeilen) normalisiert;

  • Wenn 'pred', wird die Konfusionsmatrix über die vorhergesagten Bedingungen (z. B. Spalten) normalisiert;

  • Wenn 'all', wird die Konfusionsmatrix durch die Gesamtzahl der Samples normalisiert;

  • Wenn None (Standard), wird die Konfusionsmatrix nicht normalisiert.

display_labelsarray-like von Shape (n_classes,), Standard=None

Zielnamen, die für das Plotten verwendet werden. Standardmäßig werden labels verwendet, wenn diese definiert sind, andernfalls werden die eindeutigen Labels von y_true und y_pred verwendet.

include_valuesbool, Standard=True

Beinhaltet Werte in der Konfusionsmatrix.

xticks_rotation{‘vertical’, ‘horizontal’} oder float, Standard=’horizontal’

Rotation der xtick-Labels.

values_formatstr, Standard=None

Formatangabe für Werte in der Konfusionsmatrix. Wenn None, ist die Formatangabe ‘d’ oder ‘.2g’, je nachdem, welche kürzer ist.

cmapstr oder matplotlib Colormap, Standard=’viridis’

Von matplotlib erkannte Colormap.

axmatplotlib Axes, Standard=None

Axes-Objekt, auf dem geplottet werden soll. Wenn None, wird eine neue Figur und Achse erstellt.

colorbarbool, Standard=True

Ob eine Farbleiste zum Plot hinzugefügt werden soll oder nicht.

im_kwdict, Standard=None

Dict mit Schlüsselwörtern, die an den matplotlib.pyplot.imshow Aufruf übergeben werden.

text_kwdict, Standard=None

Dict mit Schlüsselwörtern, die an den matplotlib.pyplot.text Aufruf übergeben werden.

Hinzugefügt in Version 1.2.

Gibt zurück:
displayConfusionMatrixDisplay

Siehe auch

ConfusionMatrixDisplay.from_estimator

Konfusionsmatrix basierend auf einem Schätzer, den Daten und dem Label plotten.

Beispiele

>>> import matplotlib.pyplot as plt
>>> from sklearn.datasets import make_classification
>>> from sklearn.metrics import ConfusionMatrixDisplay
>>> from sklearn.model_selection import train_test_split
>>> from sklearn.svm import SVC
>>> X, y = make_classification(random_state=0)
>>> X_train, X_test, y_train, y_test = train_test_split(
...         X, y, random_state=0)
>>> clf = SVC(random_state=0)
>>> clf.fit(X_train, y_train)
SVC(random_state=0)
>>> y_pred = clf.predict(X_test)
>>> ConfusionMatrixDisplay.from_predictions(
...    y_test, y_pred)
<...>
>>> plt.show()
../../_images/sklearn-metrics-ConfusionMatrixDisplay-3.png
plot(*, include_values=True, cmap='viridis', xticks_rotation='horizontal', values_format=None, ax=None, colorbar=True, im_kw=None, text_kw=None)[Quelle]#

Visualisierung plotten.

Parameter:
include_valuesbool, Standard=True

Beinhaltet Werte in der Konfusionsmatrix.

cmapstr oder matplotlib Colormap, Standard=’viridis’

Von matplotlib erkannte Colormap.

xticks_rotation{‘vertical’, ‘horizontal’} oder float, Standard=’horizontal’

Rotation der xtick-Labels.

values_formatstr, Standard=None

Formatangabe für Werte in der Konfusionsmatrix. Wenn None, ist die Formatangabe ‘d’ oder ‘.2g’, je nachdem, welche kürzer ist.

axmatplotlib axes, Standardwert=None

Axes-Objekt, auf dem geplottet werden soll. Wenn None, wird eine neue Figur und Achse erstellt.

colorbarbool, Standard=True

Ob eine Farbleiste zum Plot hinzugefügt werden soll oder nicht.

im_kwdict, Standard=None

Dict mit Schlüsselwörtern, die an den matplotlib.pyplot.imshow Aufruf übergeben werden.

text_kwdict, Standard=None

Dict mit Schlüsselwörtern, die an den matplotlib.pyplot.text Aufruf übergeben werden.

Hinzugefügt in Version 1.2.

Gibt zurück:
displayConfusionMatrixDisplay

Gibt eine ConfusionMatrixDisplay-Instanz zurück, die alle Informationen zur Darstellung der Konfusionsmatrix enthält.