introduction

Manuel de science des données Pythonの勉強中に思ったこと。

J'ai fait une carte thermique avec seaborn pour visualiser les erreurs de classification, mais n'est-ce pas la couleur avec le plus grand nombre dans l'ensemble? (Bien que le nombre d'échantillons devrait être le même pour toutes les catégories, des déséquilibres de données se produisent souvent)

Il serait préférable d'avoir une carte thermique qui montre le rapport de chaque élément au nombre total de lignes (= chaque classification). Je l'ai fait.

Lire des données et appliquer des algorithmes de classification

`load_and_modelfitting.py`


import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns; sns.set()
from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
from sklearn.metrics import accuracy_score
from sklearn.metrics import confusion_matrix

#À titre d'exemple, chargez cette fois l'image des caractères manuscrits en tant que tâche de classification
digits = load_digits()
X = digits.data
y = digits.target

#Divisé pour la formation et l'évaluation
Xtrain, Xtest, ytrain, ytest = train_test_split(X, y, random_state=0)

#Appliquer de manière appropriée les bayes naïfs gaussiennes à l'algorithme de classification
model = GaussianNB()
model.fit(Xtrain, ytrain)
y_model = model.predict(Xtest)
accuracy_score(ytest, y_model)

Le sujet principal d'ici

Heatmap la matrice de confusion habituelle et le tableau des ratios aux lignes

`create_confmrx.py`


#Tableau bidimensionnel de matrice de confusion ordinaire
mat = confusion_matrix(ytest, y_model)
#Un tableau à deux dimensions qui calcule le rapport au total de chaque ligne et arrondit le troisième chiffre.
mat_dec = np.round(mat / np.sum(mat, axis=1), decimals=2)

fig, axes = plt.subplots(1, 2, figsize=(10, 10))
kwargs = dict(square=True, annot=True, cbar=False, cmap='RdPu')

#Dessinez deux cartes thermiques
for i, dat in enumerate([mat, mat_dec]):
    sns.heatmap(dat, **kwargs, ax=axes[i])

#Définir le titre du graphique, les étiquettes des axes X et Y
for ax, t in zip(axes, ['Real number', 'Percentage(per row)']):
    plt.axes(ax)
    plt.title(t)
    plt.xlabel('predicted value')
    plt.ylabel('true value')

Interprétation proposée des informations de la carte thermique dessinée

Vue d'ensemble de l'ensemble
En vous concentrant sur les éléments de couleur claire sur la ligne diagonale du côté gauche (carte thermique ordinaire), identifiez "la ligne avec le plus de perte dans l'ensemble" --La catégorie 2,9,4,0 est applicable
Regardez la carte de chaleur sur le côté droit et vérifiez "les éléments qui sont souvent perdus même en unités de ligne"
Les catégories 2 et 9 sont susceptibles d'être applicables, augmentez donc le nombre d'échantillons ou donnez la priorité à l'accord.
À l'inverse, les classifications 4 et 0 ont une priorité de réglage faible car la couleur est claire lorsque vous regardez uniquement sur le côté gauche, mais la couleur est sombre lorsque vous ne regardez que sur le côté droit.

en conclusion

La matrice de confusion est difficile à voir ...

La matrice de confusion exige-t-elle également le rapport de chaque élément à la ligne totale?