Scikit-learn:如何计算真负
Scikit-learn: How to calculate the True Negative
我正在使用 Scikit-learning,我需要从这样的混淆矩阵中计算真阳性 (TP)、假阳性 (FP)、真阴性 (TN) 和假阴性 (FN):
[[2 0 3 4]
[0 4 5 1]
[1 0 3 2]
[5 0 0 4]]
我知道如何计算TP、FP和FN,但我不知道如何计算TN。有人可以告诉我吗?
我认为对于像这样的多类问题,你必须决定这 4 个 类 中的哪一个可以被认为是正的,你必须将其余 3 个组合为负来计算真实 negative.A 详细讨论已完成 here.
我认为你应该以一对多的方式对待这个多class class化(所以每个 2x2 table i
测量每个obs是否属于标签i
的二进制class化问题的性能)。因此,您可以计算每个标签的 TP、FP、FN、TN。
import numpy as np
confusion_matrix = np.array([[2,0,3,4],
[0,4,5,1],
[1,0,3,2],
[5,0,0,4]])
def process_cm(confusion_mat, i=0, to_print=True):
# i means which class to choose to do one-vs-the-rest calculation
# rows are actual obs whereas columns are predictions
TP = confusion_mat[i,i] # correctly labeled as i
FP = confusion_mat[:,i].sum() - TP # incorrectly labeled as i
FN = confusion_mat[i,:].sum() - TP # incorrectly labeled as non-i
TN = confusion_mat.sum().sum() - TP - FP - FN
if to_print:
print('TP: {}'.format(TP))
print('FP: {}'.format(FP))
print('FN: {}'.format(FN))
print('TN: {}'.format(TN))
return TP, FP, FN, TN
for i in range(4):
print('Calculating 2x2 contigency table for label{}'.format(i))
process_cm(confusion_matrix, i, to_print=True)
Calculating 2x2 contigency table for label0
TP: 2
FP: 6
FN: 7
TN: 19
Calculating 2x2 contigency table for label1
TP: 4
FP: 0
FN: 6
TN: 24
Calculating 2x2 contigency table for label2
TP: 3
FP: 8
FN: 3
TN: 20
Calculating 2x2 contigency table for label3
TP: 4
FP: 7
FN: 5
TN: 18
我正在使用 Scikit-learning,我需要从这样的混淆矩阵中计算真阳性 (TP)、假阳性 (FP)、真阴性 (TN) 和假阴性 (FN):
[[2 0 3 4]
[0 4 5 1]
[1 0 3 2]
[5 0 0 4]]
我知道如何计算TP、FP和FN,但我不知道如何计算TN。有人可以告诉我吗?
我认为对于像这样的多类问题,你必须决定这 4 个 类 中的哪一个可以被认为是正的,你必须将其余 3 个组合为负来计算真实 negative.A 详细讨论已完成 here.
我认为你应该以一对多的方式对待这个多class class化(所以每个 2x2 table i
测量每个obs是否属于标签i
的二进制class化问题的性能)。因此,您可以计算每个标签的 TP、FP、FN、TN。
import numpy as np
confusion_matrix = np.array([[2,0,3,4],
[0,4,5,1],
[1,0,3,2],
[5,0,0,4]])
def process_cm(confusion_mat, i=0, to_print=True):
# i means which class to choose to do one-vs-the-rest calculation
# rows are actual obs whereas columns are predictions
TP = confusion_mat[i,i] # correctly labeled as i
FP = confusion_mat[:,i].sum() - TP # incorrectly labeled as i
FN = confusion_mat[i,:].sum() - TP # incorrectly labeled as non-i
TN = confusion_mat.sum().sum() - TP - FP - FN
if to_print:
print('TP: {}'.format(TP))
print('FP: {}'.format(FP))
print('FN: {}'.format(FN))
print('TN: {}'.format(TN))
return TP, FP, FN, TN
for i in range(4):
print('Calculating 2x2 contigency table for label{}'.format(i))
process_cm(confusion_matrix, i, to_print=True)
Calculating 2x2 contigency table for label0
TP: 2
FP: 6
FN: 7
TN: 19
Calculating 2x2 contigency table for label1
TP: 4
FP: 0
FN: 6
TN: 24
Calculating 2x2 contigency table for label2
TP: 3
FP: 8
FN: 3
TN: 20
Calculating 2x2 contigency table for label3
TP: 4
FP: 7
FN: 5
TN: 18