机器学习系列------迷糊矩阵验证

alltolove

        今天接着昨天的代码继续写：

1. from sklearn.model_selection import cross_val_score
   
2. 
   
3. cross_val_score(sgd_clf,X_train,y_train_5,cv=3,scoring="accuracy")

复制代码

        这是一种验证简写方法，运行后跟昨天的得分一样，结果为：
array([ 0.93895,  0.9566 ,  0.9663 ])
        看起来这个得分很高，都快接近1了。其实还不行，不信我们自己瞎编一个预测方法：

1. from sklearn.base import BaseEstimator
   
2. 
   
3. class Never5Classifier(BaseEstimator):
   
4.     def fit(self,X,y=None):
   
5.         pass
   
6.     def predict(self,X):
   
7.         return np.zeros((len(X),1),dtype=bool)
   
8.    
   
9. never_5_clf=Never5Classifier()
   
10. cross_val_score(never_5_clf,X_train,y_train_5,cv=3,scoring="accuracy")

复制代码

        这个预测方法实际上就返回一个全是false的矩阵，无论猜任何数都不是5，我们看看他的评分：
array([ 0.9094 ,  0.90735,  0.9122 ])
        这是因为5在所有数据里只占10%，就算全错也有90%的准确率，所以我们要使用迷糊矩阵的方式验证：
from sklearn.model_selection import cross_val_predict

y_train_pred=cross_val_predict(sgd_clf,X_train,y_train_5,cv=3)
        以上代码作用是先创造一个跟原来的预测方法一样的数据格式，然后我们使用迷糊矩阵来验证一下：

1. from sklearn.metrics import confusion_matrix
   
2. 
   
3. confusion_matrix(y_train_5,y_train_pred)

复制代码

        输出结果为：
array([[54208,   371],
       [ 2392,  3029]], dtype=int64)
        这就是一个方形矩阵，从左到右对角线上的数代表是正确的数量，数越大越好，如果正确率100%就像这样：
array([[54579,   0],
       [ 0,  5421]], dtype=int64)
        通常我们用另一种方法，就是取事先算好的迷糊矩阵的正确和总数的比值：

1. from sklearn.metrics import precision_score,recall_score
   
2. precision_score(y_train_5,y_train_pred)

复制代码

        输出为：
0.89088235294117646
        其实就是 2392/371+3029,正确率还是挺高的，还有另外一种：

1. recall_score(y_train_5,y_train_pred)

复制代码

        输出为：
0.55875299760191843
        这种是除以底下的2个数相加，然后还有一种方法：

1. from sklearn.metrics import f1_score
   
2. 
   
3. f1_score(y_train_5,y_train_pred)

复制代码

        输出为：
0.68677020745947182
        这其实就是综合了上面2项验证，取一个误差值。公式是2*前两项相乘/前两项相加。

小锟

专业点应该可以叫混淆矩阵，举个例子：二分类问题，0占95,1占5，当样本不均衡的时候，我们使用二次代价函数进行优化，可能会造成模型在全预测为0的时候也能取得很好的效果，这个例子中就是95%的成功率。
所以出现了查准率，查全率，例如，在推荐系统中，你更加希望推荐的东西是不是准的，错了其实也没事，这时就可以用查准率
而在癌症预测过程中，你更希望将所有患者都查出来，因为如果有一个病人没查出来，可能就会造成它的治疗周期变短，失去最佳治疗时机，这时就用查全率

最后附下百度的公式：
1. 正确肯定（True Positive,TP）：预测为真，实际为真
2. 正确否定（True Negative,TN）：预测为假，实际为假
3. 错误肯定（False Positive,FP）：预测为真，实际为假
4. 错误否定（False Negative,FN）：预测为假，实际为真  
则：
查准率=TP/（TP+FP）
查全率=TP/（TP+FN）

小锟

好像回复被吞了，再发一次吧
这个迷糊矩阵可以叫混淆矩阵，在二分类样本不平衡的时候，二次代价函数并不是很好用的时候，可以采用查重率，查准率来作为优化指标
附百度的公式：
1. 正确肯定（True Positive,TP）：预测为真，实际为真
2. 正确否定（True Negative,TN）：预测为假，实际为假
3. 错误肯定（False Positive,FP）：预测为真，实际为假
4. 错误否定（False Negative,FN）：预测为假，实际为真  
则：
查准率=TP/（TP+FP）例，在所有我们预测有恶性肿瘤的病人中，实际上有恶性肿瘤的病人的百分比，越高越好。
查全率=TP/（TP+FN）例，在所有实际上有恶性肿瘤的病人中，成功预测有恶性肿瘤的病人的百分比，越高越好。
当你不知的查准率和查全率的那个更好的时候，可以使用F1分数，因为他是查准和查全的调和平均值

小锟

重复了