Trong hướng dẫn Python này, chúng ta sẽ tìm hiểu Cách thức hoạt động của ma trận nhầm lẫn học Scikit trong Python và chúng tôi cũng sẽ đề cập đến các ví dụ khác nhau liên quan đến ma trận nhầm lẫn học Scikit. Và, chúng tôi sẽ đề cập đến những chủ đề này
- Scikit tìm hiểu ma trận nhầm lẫn
- Scikit tìm hiểu ví dụ về ma trận nhầm lẫn
- Scikit tìm hiểu cốt truyện ma trận nhầm lẫn
- Scikit tìm hiểu độ chính xác của ma trận nhầm lẫn
- Scikit tìm hiểu ma trận nhầm lẫn đa lớp
- Scikit tìm hiểu hiển thị ma trận nhầm lẫn
- Scikit tìm hiểu nhãn ma trận nhầm lẫn
- Scikit tìm hiểu chuẩn hóa ma trận nhầm lẫn
Mục lục
- Scikit tìm hiểu ma trận nhầm lẫn
- Scikit tìm hiểu ví dụ về ma trận nhầm lẫn
- Scikit tìm hiểu cốt truyện ma trận nhầm lẫn
- Scikit tìm hiểu độ chính xác của ma trận nhầm lẫn
- Scikit tìm hiểu ma trận nhầm lẫn đa lớp
- Scikit tìm hiểu hiển thị ma trận nhầm lẫn
- Scikit tìm hiểu nhãn ma trận nhầm lẫn
- Scikit tìm hiểu chuẩn hóa ma trận nhầm lẫn
Scikit tìm hiểu ma trận nhầm lẫn
Trong phần này, chúng ta sẽ tìm hiểu về cách hoạt động của ma trận nhầm lẫn học Scikit trong python
- Ma trận nhầm lẫn học Scikit được định nghĩa là một kỹ thuật để tính toán hiệu suất phân loại
- Ma trận nhầm lẫn cũng được sử dụng để dự đoán hoặc tóm tắt kết quả của vấn đề phân loại
Mã số
- y_true = [2, 0, 0, 2, 0, 1] được sử dụng để lấy giá trị thực
- y_pred = [0, 0, 2, 0, 0, 2] được sử dụng để lấy giá trị dự đoán
- confused_matrix[y_true, y_pred] được sử dụng để đánh giá ma trận nhầm lẫn
from sklearn.metrics import confusion_matrix
y_true = [2, 0, 0, 2, 0, 1]
y_pred = [0, 0, 2, 0, 0, 2]
confusion_matrix[y_true, y_pred]đầu ra
Sau khi chạy đoạn mã trên, chúng tôi nhận được đầu ra sau, trong đó chúng tôi có thể thấy rằng giá trị ma trận nhầm lẫn được in trên màn hình
Đọc. Scikit tìm hiểu Xử lý hình ảnh
Scikit tìm hiểu ví dụ về ma trận nhầm lẫn
Trong phần này, chúng ta sẽ tìm hiểu về cách thức hoạt động của ví dụ ma trận nhầm lẫn học Scikit trong python
- Ví dụ về ma trận nhầm lẫn trong Scikit learn được định nghĩa là một kỹ thuật để tóm tắt kết quả phân loại
- Ma trận nhầm lẫn cũng dự đoán số lượng dự đoán đúng và sai của mô hình phân loại
Mã số
Trong đoạn mã sau, chúng tôi sẽ nhập một số thư viện mà từ đó chúng tôi có thể tạo ma trận nhầm lẫn
- mống mắt = bộ dữ liệu. load_iris[] được sử dụng để tải dữ liệu mống mắt
- class_names = mống mắt. target_names được sử dụng để lấy tên mục tiêu
- x_train, x_test, y_train, y_test = train_test_split[x, y, random_state=0] được sử dụng để chia tập dữ liệu thành dữ liệu huấn luyện và kiểm tra
- phân loại = svm. SVC[nhân=”tuyến tính”, C=0. 02]. fit[x_train, y_train] được sử dụng để điều chỉnh mô hình
- Nhầm LẫnMa TrậnMàn Hình. from_estimator[] được sử dụng để vẽ ma trận nhầm lẫn
- in [hiển thị. confused_matrix] được sử dụng để in ma trận nhầm lẫn
import numpy as num
import matplotlib.pyplot as plot
from sklearn import svm, datasets
from sklearn.model_selection import train_test_split
from sklearn.metrics import ConfusionMatrixDisplay
iris = datasets.load_iris[]
x = iris.data
y = iris.target
class_names = iris.target_names
x_train, x_test, y_train, y_test = train_test_split[x, y, random_state=0]
classifier = svm.SVC[kernel="linear", C=0.02].fit[x_train, y_train]
num.set_printoptions[precision=2]
title_options = [
["Confusion matrix, without normalization", None],
["Normalized confusion matrix", "true"],
]
for title, normalize in title_options:
display = ConfusionMatrixDisplay.from_estimator[
classifier,
x_test,
y_test,
display_labels=class_names,
cmap=plot.cm.Blues,
normalize=normalize,
]
display.ax_.set_title[title]
print[title]
print[display.confusion_matrix]
plot.show[]đầu ra
Trong kết quả sau đây, chúng ta có thể thấy rằng kết quả phân loại được tóm tắt trên màn hình với sự trợ giúp của ma trận nhầm lẫn
Đọc. Scikit học phi tuyến tính [Hướng dẫn đầy đủ]
Scikit tìm hiểu cốt truyện ma trận nhầm lẫn
Trong phần này, chúng ta sẽ tìm hiểu về cách Scikit học biểu đồ ma trận nhầm lẫn trong python
- Biểu đồ ma trận nhầm lẫn học Scikit được sử dụng để vẽ biểu đồ trên màn hình để tóm tắt kết quả của mô hình
- Nó được sử dụng để vẽ đồ thị để dự đoán số lượng dự đoán đúng hoặc sai của mô hình
Mã số
Trong đoạn mã sau, chúng tôi sẽ nhập một số thư viện mà từ đó chúng tôi có thể vẽ ma trận nhầm lẫn trên màn hình
- x, y = make_classification[random_state=0] được sử dụng để phân loại
- x_train, x_test, y_train, y_test = train_test_split[x, y, random_state=0] được sử dụng để chia tập dữ liệu thành tập huấn luyện và tập kiểm tra
- phân loại. fit[x_train, y_train] được sử dụng để điều chỉnh mô hình
- plot_confusion_matrix[classifier, x_test, y_test] được sử dụng để vẽ ma trận nhầm lẫn trên màn hình
import matplotlib.pyplot as plot
from sklearn.datasets import make_classification
from sklearn.metrics import plot_confusion_matrix
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]
classifier = SVC[random_state=0]
classifier.fit[x_train, y_train]
SVC[random_state=0]
plot_confusion_matrix[classifier, x_test, y_test]
plot.show[]đầu ra
Sau khi chạy đoạn mã trên, chúng tôi nhận được đầu ra sau, trong đó chúng tôi có thể thấy rằng ma trận nhầm lẫn được vẽ trên màn hình
Đọc. Hướng dẫn Scikit tìm hiểu KNN
Scikit tìm hiểu độ chính xác của ma trận nhầm lẫn
Trong phần này, chúng ta sẽ tìm hiểu về Scikit tìm hiểu độ chính xác của ma trận nhầm lẫn của mô hình trong python
Scikit tìm hiểu độ chính xác của ma trận nhầm lẫn được sử dụng để tính toán độ chính xác của ma trận về độ chính xác của kết quả mô hình của chúng tôi
Mã số
Trong đoạn mã sau, chúng tôi sẽ nhập một số thư viện để từ đó chúng tôi có thể tính toán độ chính xác của mô hình
- y_pred = [1, 3, 2, 0] được sử dụng để dự đoán giá trị dự đoán
- y_true = [0, 1, 2, 3] được sử dụng để dự đoán giá trị thực
- precision_score[y_true, y_pred] được sử dụng để dự đoán điểm chính xác
from sklearn.metrics import confusion_matrix
from sklearn.metrics import accuracy_score
y_pred = [1, 3, 2, 0]
y_true = [0, 1, 2, 3]
accuracy_score[y_true, y_pred]
accuracy_score[y_true, y_pred, normalize=False]
import numpy as num
accuracy_score[num.array[[[0, 1], [1, 1]]], num.ones[[2, 2]]]đầu ra
Sau khi chạy đoạn mã trên, chúng tôi nhận được đầu ra sau, trong đó chúng tôi có thể thấy rằng điểm chính xác của ma trận nhầm lẫn được in trên màn hình
Đọc. Scikit học Phân tích tình cảm
Scikit tìm hiểu ma trận nhầm lẫn đa lớp
Trong phần này, chúng ta sẽ tìm hiểu về cách hoạt động của đa lớp ma trận nhầm lẫn scikit learn trong python
Scikit học ma trận nhầm lẫn nhiều lớp được định nghĩa là bài toán minh họa phân loại của một trong ba lớp trở lên
Mã số
Trong đoạn mã sau, chúng tôi sẽ nhập một số thư viện mà từ đó chúng tôi có thể tạo đa lớp ma trận nhầm lẫn
- df = pd. read_csv[“IRIS. csv”] được sử dụng để tải tập dữ liệu
- df. dtypes được sử dụng để chọn các loại dữ liệu
#importing packages
import pandas as pds
import numpy as num
import seaborn as sb
import matplotlib.pyplot as plot
df = pd.read_csv["IRIS.csv"]
df.head[]
df.dtypes- x = df. drop[[‘species’], axis=1] dùng để phân tách biến độc lập và biến phụ thuộc
- in[x. shape] được sử dụng để in hình dạng của tập dữ liệu
#Separating independant variable and dependent variable["Species"]
x = df.drop[['species'], axis=1]
y = df['species']
print[x.shape]
print[y.shape]- x_train, x_test, y_train, y_test = train_test_split[x, y, test_size=0. 3, random_state=0] được sử dụng để chia tập dữ liệu thành tập huấn luyện và tập kiểm tra
- in[x_train. shape] được sử dụng để in hình dạng của đoàn tàu
- in [x_test. shape] được sử dụng để in hình dạng của bộ kiểm tra
# Splitting the dataset to Train and test
from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split[x, y, test_size=0.3, random_state=0]
print[x_train.shape]
print[y_train.shape]
print[x_test.shape]
print[y_test.shape]- bộ phân loại = SVC[kernel = ‘tuyến tính’]. fit[x_train,y_train] được sử dụng để huấn luyện bộ phân loại từ x train và y train
- cm =confused_matrix[y_test, y_pred] được sử dụng để tạo ma trận nhầm lẫn
- cm_df = pd. DataFrame[] được sử dụng để tạo khung dữ liệu
- mảnh đất. figure[figsize=[5,4]] được sử dụng để vẽ hình
from sklearn.svm import SVC
from sklearn.metrics import confusion_matrix
classifier = SVC[kernel = 'linear'].fit[x_train,y_train]
classifier.predict[x_train]
y_pred = classifier.predict[X_test]
cm = confusion_matrix[y_test, y_pred]
cm_df = pd.DataFrame[cm,
index = ['SETOSA','VERSICOLR','VIRGINICA'],
columns = ['SETOSA','VERSICOLR','VIRGINICA']]
plot.figure[figsize=[5,4]]
sb.heatmap[cm_df, annot=True]
plot.title['Confusion Matrix']
plot.ylabel['Actal Values']
plot.xlabel['Predicted Values']
plot.show[]Đọc. Scikit học Gradient Descent
Scikit tìm hiểu hiển thị ma trận nhầm lẫn
Trong phần này, chúng ta sẽ tìm hiểu về cách hoạt động của hiển thị ma trận nhầm lẫn Scikit learn trong python
Hiển thị ma trận nhầm lẫn trong Scikit learn được định nghĩa là một ma trận trong đó i,j bằng với số lượng quan sát được dự báo trong một nhóm
Mã số
Trong đoạn mã sau, chúng ta sẽ học cách nhập một số thư viện mà từ đó chúng ta có thể xem cách hiển thị ma trận nhầm lẫn trên màn hình
- x, y = make_classification[random_state=0] được sử dụng để phân loại
- x_train, x_test, y_train, y_test = train_test_split[x, y,random_state=0] được sử dụng để chia tập dữ liệu thành dữ liệu huấn luyện và thử nghiệm
- phân loại. fit[x_train, y_train] được sử dụng để điều chỉnh dữ liệu
- dự đoán = phân loại. dự đoán [x_test] được sử dụng để dự đoán dữ liệu
- display=ConfusionMatrixDisplay[confusion_matrix=cm,display_labels=classifier. class_] được sử dụng để hiển thị ma trận nhầm lẫn
- trưng bày. plot[] được sử dụng để vẽ ma trận
đầu ra
Sau khi chạy đoạn mã trên, chúng tôi nhận được đầu ra sau, trong đó chúng tôi có thể thấy rằng một ma trận nhầm lẫn được hiển thị trên màn hình
Đọc. Hướng dẫn phân loại Scikit learn
Scikit tìm hiểu nhãn ma trận nhầm lẫn
Trong phần này, chúng ta sẽ tìm hiểu cách Scikit tìm hiểu các nhãn ma trận nhầm lẫn hoạt động trong python
Nhãn ma trận nhầm lẫn tìm hiểu Scikit được định nghĩa là một mảng hai chiều tương phản một nhóm nhãn được dự đoán với nhãn thực
Mã số
Trong đoạn mã sau, chúng tôi sẽ nhập một số thư viện để biết cách thức hoạt động của nhãn ma trận nhầm lẫn scikit learn
- y_true = số. array[[[1, 0, 0],[0, 1, 1]]] được sử dụng để thu thập các nhãn thực trong mảng
- y_pred = số. mảng[[[1, 0, 1],[0, 1, 0]]] được sử dụng để thu thập các nhãn dự đoán trong mảng
- multilabel_confusion_matrix[y_true, y_pred] được sử dụng để lấy ma trận nhầm lẫn nhiều nhãn
import numpy as num
from sklearn.metrics import multilabel_confusion_matrix
y_true = num.array[[[1, 0, 0],
[0, 1, 1]]]
y_pred = num.array[[[1, 0, 1],
[0, 1, 0]]]
multilabel_confusion_matrix[y_true, y_pred]đầu ra
Sau khi chạy đoạn mã trên, chúng tôi nhận được đầu ra sau, trong đó chúng tôi có thể thấy rằng các nhãn ma trận nhầm lẫn được in trên màn hình
Đọc. Scikit học Điều chỉnh siêu tham số
Scikit tìm hiểu chuẩn hóa ma trận nhầm lẫn
Trong phần này, chúng ta sẽ tìm hiểu về cách hoạt động của chuẩn hóa ma trận nhầm lẫn scikit learn trong python
Scikit học chuẩn hóa ma trận nhầm lẫn được định nghĩa là một quá trình đại diện cho một mẫu có mặt trong mỗi nhóm
Mã số
Trong đoạn mã sau, chúng tôi sẽ nhập một số thư viện mà từ đó chúng tôi có thể chuẩn hóa ma trận
- mống mắt = bộ dữ liệu. load_iris[] được sử dụng để tải dữ liệu
- x_train, x_test, y_train, y_test = train_test_split[X, y, random_state=0] được sử dụng để chia tập dữ liệu thành dữ liệu huấn luyện và thử nghiệm
- phân loại = svm. SVC[nhân=’tuyến tính’, C=0. 01] được sử dụng làm phân loại
- y_pred = bộ phân loại. phù hợp [x_train, y_train]. dự đoán [x_test] được sử dụng để phù hợp với mô hình
- cm =confused_matrix[y_true, y_pred] được sử dụng để tính toán ma trận nhầm lẫn
- class = class[unique_labels[y_true, y_pred]] được sử dụng cho nhãn xuất hiện trong dữ liệu
- hình, trục = đồ thị. subplots[] được sử dụng để vẽ đồ thị trên màn hình
- mảnh đất. thiết lập [trục. get_xticklabels[], rotate=45, ha=”right”,rotation_mode=”anchor”] được sử dụng để đặt căn chỉnh và xoay các dấu tick
- plot_confusion_matrix[y_test, y_pred, classes=class_names, normalize=True, title=’Normalized confusion matrix’] được sử dụng để vẽ ma trận nhầm lẫn đã chuẩn hóa
import numpy as num
import matplotlib.pyplot as plot
from sklearn import svm, datasets
from sklearn.model_selection import train_test_split
from sklearn.metrics import ConfusionMatrixDisplay
iris = datasets.load_iris[]
x = iris.data
y = iris.target
class_names = iris.target_names
x_train, x_test, y_train, y_test = train_test_split[x, y, random_state=0]
classifier = svm.SVC[kernel="linear", C=0.02].fit[x_train, y_train]
num.set_printoptions[precision=2]
title_options = [
["Confusion matrix, without normalization", None],
["Normalized confusion matrix", "true"],
]
for title, normalize in title_options:
display = ConfusionMatrixDisplay.from_estimator[
classifier,
x_test,
y_test,
display_labels=class_names,
cmap=plot.cm.Blues,
normalize=normalize,
]
display.ax_.set_title[title]
print[title]
print[display.confusion_matrix]
plot.show[]đầu ra
Trong đoạn mã sau, chúng ta sẽ thấy một mảng ma trận nhầm lẫn đã chuẩn hóa được tạo và đồ thị ma trận nhầm lẫn đã chuẩn hóa cũng được vẽ trên màn hình
Ngoài ra, hãy xem thêm một số hướng dẫn tìm hiểu Scikit
- Scikit tìm hiểu hồi quy tuyến tính
- Scikit tìm hiểu Lựa chọn tính năng
- Scikit tìm hiểu Hồi quy sườn
- Scikit học Random Forest
Vì vậy, trong hướng dẫn này, chúng tôi đã thảo luận về ma trận nhầm lẫn tìm hiểu Scikit và chúng tôi cũng đã đề cập đến các ví dụ khác nhau liên quan đến việc triển khai nó. Dưới đây là danh sách các ví dụ mà chúng tôi đã đề cập
- Scikit tìm hiểu ma trận nhầm lẫn
- Scikit tìm hiểu ví dụ về ma trận nhầm lẫn
- Scikit tìm hiểu cốt truyện ma trận nhầm lẫn
- Scikit tìm hiểu độ chính xác của ma trận nhầm lẫn
- Scikit tìm hiểu ma trận nhầm lẫn đa lớp
- Scikit tìm hiểu hiển thị ma trận nhầm lẫn
- Scikit tìm hiểu nhãn ma trận nhầm lẫn
- Scikit tìm hiểu chuẩn hóa ma trận nhầm lẫn
Bijay Kumar
Python là một trong những ngôn ngữ phổ biến nhất ở Hoa Kỳ. Tôi đã làm việc với Python trong một thời gian dài và tôi có kinh nghiệm làm việc với nhiều thư viện khác nhau trên Tkinter, Pandas, NumPy, Turtle, Django, Matplotlib, Tensorflow, Scipy, Scikit-Learn, v.v… Tôi có kinh nghiệm làm việc với nhiều khách hàng khác nhau . Kiểm tra hồ sơ của tôi