分类模型评估时，scikit-learn提供了混淆矩阵和分类报告是两个非常实用且常用的工具。
它们为我们提供了详细的信息，帮助我们了解模型的优缺点，从而进一步优化模型。

这两个工具之所以单独出来介绍，是因为它们的输出内容特别适合用在模型的评估报告中。

1. 混淆矩阵

混淆矩阵（Confusion Matrix）用于直观地展示模型预测结果与实际标签之间的对应关系。
它是一个表格，其行表示实际的类别标签，而列表示模型预测的类别标签。

通过混淆矩阵，可以清晰地看到模型的哪些预测是正确的，哪些是错误的，以及错误预测的具体分布情况。

1.1. 使用示例

下面用手写数字识别的示例，演示最后如何用混淆矩阵来可视化的评估模型训练结果的。
首先，读取手写数字数据集（这个数据集是scikit-learn中自带的）：

import matplotlib.pyplot as plt
from sklearn import datasets

# 加载手写数据集
data = datasets.load_digits()

_, axes = plt.subplots(nrows=2, ncols=4, figsize=(10, 6))
服务器托管网for ax, image, lab服务器托管网el in zip(np.append(axes[0], axes[1]), data.images, data.target):
    ax.set_axis_off()
    ax.imshow(image, cmap=plt.cm.gray_r, interpolation="nearest")
    ax.set_title("目标值: {}".format(label))

然后，用支持向量机来训练数据，得到一个分类模型（reg）：

from sklearn.svm import SVC

n_samples = len(data.images)
X = data.images.reshape((n_samples, -1))
y = data.target

# 定义
reg = SVC()

# 训练模型
reg.fit(X, y)

最后，用得到的分类模型来预测数据，再用混淆矩阵来分析预测值和真实值。

from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay

# 用训练好的模型进行预测
y_pred = reg.predict(X)

cm = confusion_matrix(y, y_pred)
g = ConfusionMatrixDisplay(confusion_matrix=cm)
g.plot()

plt.show()

混淆矩阵中，横轴是预测值，纵轴是真实值。
对角线上预测值与真实值符合的情况，可以看出模型分类效果不错，大部分数据都能正确分类的。

也有极个别分类错误的情况，比如：

• 8被识别成1的错误有2个；
• 5被识别成9的错误有1个；
• 9被识别成3的错误有1个；
• … … 等等

2. 分类报告

分类报告提供了模型在各个类别上的详细性能指标。
通常包括准确率（Precision）、召回率（Recall）、F1分数（F1-Score）等评估指标，这些指标能够帮助我们更全面地了解模型的性能。

2.1. 使用示例

基于上面训练的手写数字识别模型，看看模型的各项指标。

from sklearn.metrics import classification_report

# 这里的y 和 y_pred 是上一节示例中的值
report = classification_report(y, y_pred)
print(report)

报告中列出了手写数字0~9的识别情况。

3. 总结

总的来说，分类报告与混淆矩阵一起使用，能够更全面地评估模型的性能，指导模型的优化和改进。
而且它们生成的评估表格和图形，也能够应用于我们的分析报告中。

服务器托管，北京服务器托管，服务器租用 http://www.fwqtg.net
机房租用，北京机房租用，IDC机房托管， http://www.fwqtg.net

相关推荐: MPLAB X IDE 仿真打断点提示已中断的断点？

这种中间带裂缝的是无效断点。 原因可能与XC编译器的优化有关，服务器托管网最后生成的汇编与C语言并不是一一对应的(官方给的解释是效率高)。所以这一行C语言转换的汇编代码可能并不在这个位置，也可能与其它汇编合并后根本就没有 我的解决方法是把优化等级调到最低，同时…