在多分類任務中，不適合使用pr曲線和roc曲線來進行指標評價，但我們仍可以通過混淆矩陣來進行處理。可以通過matplotlib的matshow()函式，直觀地展示分類結果的好壞。
先使用cross_val_predict得出各個分類值的分數
y_train_pred = cross_val_predict(sgd_clf, x_train_scaled, y_train, cv= 3 )conf_mx = confusion_matrix(y_train, y_train_pred)plt.matshow(conf_mx, cmap=plt.cm.gray)但是我們應該關注僅包含誤差資料的影象呈現，所以將混淆矩陣的每乙個值除以相應類別的的總數目。這樣子，你可以比較錯誤率，而不是絕對的錯誤數（這對大的類別不公平）
row_sums = conf_mx.sum(axis= 1 , keepdims= true )
norm_conf_mx = conf_mx / row_sums
np.fill_diagonal(norm_conf_mx, 0 )
plt.matshow(norm_conf_mx, cmap=plt.cm.gray)
所以通過這個混淆矩陣影象，分析混淆矩陣通常可以給你提供深刻的見解去改善你的分類器。回顧這幅圖，看樣子你應該努力改善分類器在類別8 和類別 9 上的表現，和糾正 3/5 的混淆。
舉例子，你可以嘗試去收集更多的資料，或者你可以構造新的、有助於分類器的特徵。舉例子，寫乙個演算法去數閉合的環（比如，數字 8 有兩個環，數字 6 有乙個， 5 沒有）。又或者你可以預處理（比如，使用 scikit-learn，pillow， opencv）去構造乙個模式，比如閉合的環。
多分類任務的混淆矩陣
今天我將討論如何在多分類中使用混淆矩陣評估模型的效能。什麼是混淆矩陣？它顯示了實際值和 值之間的差異。它告訴我們有多少資料點被正確 哪些資料點沒有被正確 對於多分類來說，它是乙個 n n 矩陣，其中 n 是編號。輸出列中的類別，也稱為目標屬性。一二分類任務中包含了 2 個類也就是乙個 22 矩陣，一...
多分類任務的混淆矩陣和評價指標
之前一直不明白多分類任務的混淆矩陣，今天研究了一下。拿乙個三分類任務來說 cat dog bird 有8個 結果 值 dog,dog,cat cat,cat,dog,bird,cat 真實值 dog,cat,cat,cat,bird,bird,cat,cat 要對每乙個類別做混淆矩陣。拿cat類來說...
Matlab畫混淆矩陣（多分類）
在神經網路和機器學習的結果分析中，常常會用混淆矩陣和roc曲線來分析識別 分類結果的好壞，而且 中也經常出現這種圖。對於卷積神經網路來說畫混淆矩陣很簡單，要用到函式plotconfusion，格式為plotconfusion 實際標籤，標籤 畫出來是這樣的 實際標籤是我們提前就知道的，標籤在神經網路...