Ошибка матрицы смешения, когда размеры массива имеют размер 3
Этот код:
from pandas_ml import ConfusionMatrix
y_actu = [1,2]
y_pred = [1,2]
cm = ConfusionMatrix(y_actu, y_pred)
cm.print_stats()
печать:
population: 2
P: 1
N: 1
PositiveTest: 1
NegativeTest: 1
TP: 1
TN: 1
FP: 0
FN: 0
TPR: 1.0
TNR: 1.0
PPV: 1.0
NPV: 1.0
FPR: 0.0
FDR: 0.0
FNR: 0.0
ACC: 1.0
F1_score: 1.0
MCC: 1.0
informedness: 1.0
markedness: 1.0
prevalence: 0.5
LRP: inf
LRN: 0.0
DOR: inf
FOR: 0.0
/opt/conda/lib/python3.5/site-packages/pandas_ml/confusion_matrix/bcm.py:332: RuntimeWarning: divide by zero encountered in double_scalars
return(np.float64(self.TPR) / self.FPR)
Это ожидается.
Изменение кода для:
from pandas_ml import ConfusionMatrix
y_actu = [1,2,3]
y_pred = [1,2,3]
cm = ConfusionMatrix(y_actu, y_pred)
cm.print_stats()
изменение, которое я сделал, это:
y_actu = [1,2,3]
y_pred = [1,2,3]
приводит к ошибке:
OrderedDict([('Accuracy', 1.0), ('95% CI', (0.29240177382128668, nan)), ('No Information Rate', 'ToDo'), ('P-Value [Acc > NIR]', 0.29629629629629622), ('Kappa', 1.0), ("Mcnemar's Test P-Value", 'ToDo')])
ValueErrorTraceback (most recent call last)
<ipython-input-30-d8c5dc2bea73> in <module>()
3 y_pred = [1,2,3]
4 cm = ConfusionMatrix(y_actu, y_pred)
----> 5 cm.print_stats()
/opt/conda/lib/python3.5/site-packages/pandas_ml/confusion_matrix/abstract.py in print_stats(self, lst_stats)
446 Prints statistics
447 """
--> 448 print(self._str_stats(lst_stats))
449
450 def get(self, actual=None, predicted=None):
/opt/conda/lib/python3.5/site-packages/pandas_ml/confusion_matrix/abstract.py in _str_stats(self, lst_stats)
427 }
428
--> 429 stats = self.stats(lst_stats)
430
431 d_stats_str = collections.OrderedDict([
/opt/conda/lib/python3.5/site-packages/pandas_ml/confusion_matrix/abstract.py in stats(self, lst_stats)
390 d_stats = collections.OrderedDict()
391 d_stats['cm'] = self
--> 392 d_stats['overall'] = self.stats_overall
393 d_stats['class'] = self.stats_class
394 return(d_stats)
/opt/conda/lib/python3.5/site-packages/pandas_ml/confusion_matrix/cm.py in __getattr__(self, attr)
33 Returns (weighted) average statistics
34 """
---> 35 return(self._avg_stat(attr))
/opt/conda/lib/python3.5/site-packages/pandas_ml/confusion_matrix/abstract.py in _avg_stat(self, stat)
509 v = getattr(binary_cm, stat)
510 print(v)
--> 511 s_values[cls] = v
512 value = (s_values * self.true).sum() / self.population
513 return(value)
/opt/conda/lib/python3.5/site-packages/pandas/core/series.py in __setitem__(self, key, value)
771 # do the setitem
772 cacher_needs_updating = self._check_is_chained_assignment_possible()
--> 773 setitem(key, value)
774 if cacher_needs_updating:
775 self._maybe_update_cacher()
/opt/conda/lib/python3.5/site-packages/pandas/core/series.py in setitem(key, value)
767 pass
768
--> 769 self._set_with(key, value)
770
771 # do the setitem
/opt/conda/lib/python3.5/site-packages/pandas/core/series.py in _set_with(self, key, value)
809 if key_type == 'integer':
810 if self.index.inferred_type == 'integer':
--> 811 self._set_labels(key, value)
812 else:
813 return self._set_values(key, value)
/opt/conda/lib/python3.5/site-packages/pandas/core/series.py in _set_labels(self, key, value)
826 if mask.any():
827 raise ValueError('%s not contained in the index' % str(key[mask]))
--> 828 self._set_values(indexer, value)
829
830 def _set_values(self, key, value):
/opt/conda/lib/python3.5/site-packages/pandas/core/series.py in _set_values(self, key, value)
831 if isinstance(key, Series):
832 key = key._values
--> 833 self._data = self._data.setitem(indexer=key, value=value)
834 self._maybe_update_cacher()
835
/opt/conda/lib/python3.5/site-packages/pandas/core/internals.py in setitem(self, **kwargs)
3166
3167 def setitem(self, **kwargs):
-> 3168 return self.apply('setitem', **kwargs)
3169
3170 def putmask(self, **kwargs):
/opt/conda/lib/python3.5/site-packages/pandas/core/internals.py in apply(self, f, axes, filter, do_integrity_check, consolidate, **kwargs)
3054
3055 kwargs['mgr'] = self
-> 3056 applied = getattr(b, f)(**kwargs)
3057 result_blocks = _extend_blocks(applied, result_blocks)
3058
/opt/conda/lib/python3.5/site-packages/pandas/core/internals.py in setitem(self, indexer, value, mgr)
685 indexer.dtype == np.bool_ and
686 len(indexer[indexer]) == len(value)):
--> 687 raise ValueError("cannot set using a list-like indexer "
688 "with a different length than the value")
689
ValueError: cannot set using a list-like indexer with a different length than the value
Чтение Присвоения контейнерам в состояниях Pandas "Использование эндемичных списков не разрешено при назначении и вообще не рекомендуется делать это". я создал эндемический список? Что такое эндемический список?
4 ответа
Решение
Я бы порекомендовал использовать confusion_matrix из scikit-учиться. Другие метрики, которые вы упомянули, такие как точность, отзыв, F1-оценка также доступны с sklearn.metrics,
>>> from sklearn.metrics import confusion_matrix
>>> y_actu = [1,2,3]
>>> y_pred = [1,2,3]
>>> confusion_matrix(y_actu, y_pred)
array([[1, 0, 0],
[0, 1, 0],
[0, 0, 1]])
Я также использую и рекомендую склеарн confusion_matrix функция. Лично я тоже держу "pretty-print confusion matrix" функция удобна с несколькими дополнительными удобствами:
- метки классов, напечатанные вдоль осей матрицы смешения
- статистика матриц путаницы нормализована, так что все ячейки составляют 1
- цвета ячеек матрицы смешения, масштабированные в соответствии со значением ячейки
- Дополнительные метрики, такие как F-оценка и т. Д., Напечатаны ниже матрицы путаницы.
Как это:
Вот функция построения графиков, основанная главным образом на этом примере из документации Scikit-Learn
import matplotlib.pyplot as plt
import itertools
from sklearn.metrics import classification_report
def pretty_print_conf_matrix(y_true, y_pred,
classes,
normalize=False,
title='Confusion matrix',
cmap=plt.cm.Blues):
"""
Mostly stolen from: http://scikit-learn.org/stable/auto_examples/model_selection/plot_confusion_matrix.html#sphx-glr-auto-examples-model-selection-plot-confusion-matrix-py
Normalization changed, classification_report stats added below plot
"""
cm = confusion_matrix(y_true, y_pred)
# Configure Confusion Matrix Plot Aesthetics (no text yet)
plt.imshow(cm, interpolation='nearest', cmap=cmap)
plt.title(title, fontsize=14)
tick_marks = np.arange(len(classes))
plt.xticks(tick_marks, classes, rotation=45)
plt.yticks(tick_marks, classes)
plt.ylabel('True label', fontsize=12)
plt.xlabel('Predicted label', fontsize=12)
# Calculate normalized values (so all cells sum to 1) if desired
if normalize:
cm = np.round(cm.astype('float') / cm.sum(),2) #(axis=1)[:, np.newaxis]
# Place Numbers as Text on Confusion Matrix Plot
thresh = cm.max() / 2.
for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])):
plt.text(j, i, cm[i, j],
horizontalalignment="center",
color="white" if cm[i, j] > thresh else "black",
fontsize=12)
# Add Precision, Recall, F-1 Score as Captions Below Plot
rpt = classification_report(y_true, y_pred)
rpt = rpt.replace('avg / total', ' avg')
rpt = rpt.replace('support', 'N Obs')
plt.annotate(rpt,
xy = (0,0),
xytext = (-50, -140),
xycoords='axes fraction', textcoords='offset points',
fontsize=12, ha='left')
# Plot
plt.tight_layout()
А вот пример с данными радужной оболочки, используемыми для создания изображения графика:
from sklearn import datasets
from sklearn.svm import SVC
#get data, make predictions
(X,y) = datasets.load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X,y, train_size=0.5)
clf = SVC()
clf.fit(X_train,y_train)
y_test_pred = clf.predict(X_test)
# Plot Confusion Matrix
plt.style.use('classic')
plt.figure(figsize=(3,3))
pretty_print_conf_matrix(y_test, y_test_pred,
classes= ['0', '1', '2'],
normalize=True,
title='Confusion Matrix')
Интересно, что когда я запускаю ваш код, я не получаю полученную вами ошибку, и код работает отлично. Я предлагаю вам обновить библиотеку pandas_ml, выполнив:
pip install --upgrade pandas_ml
Также вам нужно обновить панд, запустив:
pip install --upgrade pandas
Если это не сработает, вы можете использовать самих панд для создания матрицы путаницы:
import pandas as pd
y_actu = pd.Series([1, 2, 3], name='Actual')
y_pred = pd.Series([1, 2, 3], name='Predicted')
df_confusion = pd.crosstab(y_actu, y_pred)
print df_confusion
Что даст вам таблицу, которую вы ищете.
Похоже, ошибка не из-за размера массива:
from pandas_ml import ConfusionMatrix
y_actu = [1,2,2]
y_pred = [1,1,2]
cm = ConfusionMatrix(y_actu, y_pred)
cm.print_stats()
это (проблема двоичной классификации) работает нормально.
Возможно, путаница в матрице мультиклассовой классификации просто сломана.
Обновлено: я просто сделать эти шаги:
conda update pandas
чтобы получить панды 0.20.1, а затем
pip install -U pandas_ml
теперь все хорошо с матрицей путаницы мультикласса:
from pandas_ml import ConfusionMatrix
y_actu = [1,2,3]
y_pred = [1,2,3]
cm = ConfusionMatrix(y_actu, y_pred)
cm.print_stats()
я получил вывод:
Class Statistics:
Classes 1 2 3
Population 3 3 3
P: Condition positive 1 1 1
N: Condition negative 2 2 2
Test outcome positive 1 1 1
Test outcome negative 2 2 2
TP: True Positive 1 1 1
TN: True Negative 2 2 2
FP: False Positive 0 0 0
FN: False Negative 0 0 0
TPR: (Sensitivity, hit rate, recall) 1 1 1
TNR=SPC: (Specificity) 1 1 1
PPV: Pos Pred Value (Precision) 1 1 1
NPV: Neg Pred Value 1 1 1
FPR: False-out 0 0 0
FDR: False Discovery Rate 0 0 0
FNR: Miss Rate 0 0 0
ACC: Accuracy 1 1 1
F1 score 1 1 1
MCC: Matthews correlation coefficient 1 1 1
Informedness 1 1 1
Markedness 1 1 1
Prevalence 0.333333 0.333333 0.333333
LR+: Positive likelihood ratio inf inf inf
LR-: Negative likelihood ratio 0 0 0
DOR: Diagnostic odds ratio inf inf inf
FOR: False omission rate 0 0 0