为什么scikit学习混淆矩阵是颠倒的？
Why scikit learn confusion matrix is reversed?
我有 3 个问题：
1)
sklearn的混淆矩阵如下：
TN | FP
FN | TP
而当我在看网上资源时，我发现它是这样的：
TP | FP
FN | TN
我应该考虑哪一个？
2)
由于上面的 scikit learn 混淆矩阵与我在其他资源中找到的不同，在 multiclass 混淆矩阵中，结构是什么？我在这里查看 post：
在那个 post 中，@lucidv01d post 制作了一张图表来理解 multiclass 的类别。 scikit 学习中的那个类别是否相同？
3)
如何计算 multiclass 的准确度？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]]
在我在问题 2 中提到的同一个 post 中，他写了这个等式：
总体准确度
ACC = (TP+TN)/(TP+FP+FN+TN)
但这不只是针对二进制的吗？我的意思是，class 我用什么替换 TP？
sklearn之所以显示他们的混淆矩阵像
TN | FP
FN | TP
这样是因为在他们的代码中，他们认为 0 是负数 class，1 是正数 class。 sklearn 始终将较小的数字视为负数，将较大的数字视为正数。我所说的数字是指 class 值（0 或 1）。顺序取决于您的数据集和 class.
准确度将是对角线元素的总和除以所有 elements.p 对角线元素是正确预测的数量。
正如 sklearn guide 所说：”（维基百科和其他参考资料可能对轴使用不同的约定）”
这是什么意思？构建混淆矩阵时，第一步是决定在哪里放置预测值和真实值（真实标签）。有两种可能：
- 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
完全主观决定您想走哪条路。从这张图 explained in here 可以清楚地看出 scikit-learn 的约定是将预测放在列上，将真实标签放在行上。
因此，根据scikit-learn的约定，这意味着：
- 第一列包含负预测（TN 和 FN）
- 第二列包含正预测（TP 和 FP）
- 第一行包含负标签（TN 和 FP）
- 第二行包含正标签（TP 和 FN）
- 对角线包含正确预测标签的数量。
根据这些信息，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，您只需对对角线中的值求和，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。
scikit-learn 约定是将预测放在列中，将实际值放在行中
scikit-learn 约定默认将 0 表示为负值 class（顶部），将 1 表示为正值 class（底部）。可以使用 labels = [1,0] 更改顺序。
可以这样计算整体准确率
M = np.array([[27, 6, 0, 16], [5, 18,0,21],[1,3,6,9],[0,0,0 ,48]])
男
对角线之和
w = M.diagonal()
w.sum()
99
矩阵之和
M.sum()
160
ACC = w.sum()/M.sum()
ACC
0.61875
我有 3 个问题：
1)
sklearn的混淆矩阵如下：
TN | FP
FN | TP
而当我在看网上资源时，我发现它是这样的：
TP | FP
FN | TN
我应该考虑哪一个？
2)
由于上面的 scikit learn 混淆矩阵与我在其他资源中找到的不同，在 multiclass 混淆矩阵中，结构是什么？我在这里查看 post：
3)
如何计算 multiclass 的准确度？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]]
在我在问题 2 中提到的同一个 post 中，他写了这个等式：
总体准确度
ACC = (TP+TN)/(TP+FP+FN+TN)
但这不只是针对二进制的吗？我的意思是，class 我用什么替换 TP？
sklearn之所以显示他们的混淆矩阵像
TN | FP
FN | TP
这样是因为在他们的代码中，他们认为 0 是负数 class，1 是正数 class。 sklearn 始终将较小的数字视为负数，将较大的数字视为正数。我所说的数字是指 class 值（0 或 1）。顺序取决于您的数据集和 class.
准确度将是对角线元素的总和除以所有 elements.p 对角线元素是正确预测的数量。
正如 sklearn guide 所说：”（维基百科和其他参考资料可能对轴使用不同的约定）”
这是什么意思？构建混淆矩阵时，第一步是决定在哪里放置预测值和真实值（真实标签）。有两种可能：
- 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
完全主观决定您想走哪条路。从这张图
因此，根据scikit-learn的约定，这意味着：
- 第一列包含负预测（TN 和 FN）
- 第二列包含正预测（TP 和 FP）
- 第一行包含负标签（TN 和 FP）
- 第二行包含正标签（TP 和 FN）
- 对角线包含正确预测标签的数量。
根据这些信息，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，您只需对对角线中的值求和，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。
scikit-learn 约定是将预测放在列中，将实际值放在行中
scikit-learn 约定默认将 0 表示为负值 class（顶部），将 1 表示为正值 class（底部）。可以使用 labels = [1,0] 更改顺序。 可以这样计算整体准确率
M = np.array([[27, 6, 0, 16], [5, 18,0,21],[1,3,6,9],[0,0,0 ,48]])
男
对角线之和
w = M.diagonal()
w.sum()
99
矩阵之和
M.sum()
160
ACC = w.sum()/M.sum()
ACC
0.61875