☰

Scikit-learn: 真陽性、真陰性、偽陽性、偽陰性を取得する方法 質問する

tag-icon • tag-icon python machine-learning scikit-learn classification supervised-learning
Scikit-learn: 真陽性、真陰性、偽陽性、偽陰性を取得する方法 質問する

私の問題：

大きな JSON ファイルであるデータセットがあります。それを読み取って変数に保存しますtrainList。

次に、作業できるように前処理を行います。

それが終わったら分類を始めます。

  1. kfold平均精度を取得し、分類器をトレーニングするために、クロス検証法を使用します。
  2. 予測を行い、そのフォールドの精度と混同行列を取得します。
  3. True Positive(TP)この後、、、の値True Negative(TN)を取得したいと思います。これらのパラメータを使用して、False Positive(FP)False Negative(FN)感度そして特異性。

最後に、これを HTML に挿入して、各ラベルの TP を含むグラフを表示します。

コード：

現時点で私が持っている変数は次のとおりです。

trainList #It is a list with all the data of my dataset in JSON form
labelList #It is a list with all the labels of my data

方法の大部分:

#I transform the data from JSON form to a numerical one
X=vec.fit_transform(trainList)

#I scale the matrix (don't know why but without it, it makes an error)
X=preprocessing.scale(X.toarray())

#I generate a KFold in order to make cross validation
kf = KFold(len(X), n_folds=10, indices=True, shuffle=True, random_state=1)

#I start the cross validation
for train_indices, test_indices in kf:
    X_train=[X[ii] for ii in train_indices]
    X_test=[X[ii] for ii in test_indices]
    y_train=[listaLabels[ii] for ii in train_indices]
    y_test=[listaLabels[ii] for ii in test_indices]

    #I train the classifier
    trained=qda.fit(X_train,y_train)

    #I make the predictions
    predicted=qda.predict(X_test)

    #I obtain the accuracy of this fold
    ac=accuracy_score(predicted,y_test)

    #I obtain the confusion matrix
    cm=confusion_matrix(y_test, predicted)

    #I should calculate the TP,TN, FP and FN 
    #I don't know how to continue

ベストアンサー1

マルチクラスの場合、必要なものはすべて混同行列から見つけることができます。たとえば、混同行列が次のようになっているとします。

混同行列

クラスごとに探しているものは次のように見つかります。

かぶせる

pandas/numpy を使用すると、次のようにすべてのクラスに対してこれを一度に実行できます。

FP = confusion_matrix.sum(axis=0) - np.diag(confusion_matrix)  
FN = confusion_matrix.sum(axis=1) - np.diag(confusion_matrix)
TP = np.diag(confusion_matrix)
TN = confusion_matrix.values.sum() - (FP + FN + TP)

# Sensitivity, hit rate, recall, or true positive rate
TPR = TP/(TP+FN)
# Specificity or true negative rate
TNR = TN/(TN+FP) 
# Precision or positive predictive value
PPV = TP/(TP+FP)
# Negative predictive value
NPV = TN/(TN+FN)
# Fall out or false positive rate
FPR = FP/(FP+TN)
# False negative rate
FNR = FN/(TP+FN)
# False discovery rate
FDR = FP/(TP+FP)

# Overall accuracy
ACC = (TP+TN)/(TP+FP+FN+TN)

おすすめ記事