开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

如何从scikit-learn获取混淆矩阵的行/列标签？

从scikit-learn获取混淆矩阵的行/列标签可以通过以下步骤实现：

导入所需的库和模块：

from sklearn.metrics import confusion_matrix
import numpy as np

定义真实标签和预测标签：

y_true = np.array([0, 1, 2, 0, 1, 2])
y_pred = np.array([0, 2, 1, 0, 0, 1])

计算混淆矩阵：

cm = confusion_matrix(y_true, y_pred)

获取行/列标签：

labels = np.unique(y_true)

完整的代码示例如下：

from sklearn.metrics import confusion_matrix
import numpy as np

y_true = np.array([0, 1, 2, 0, 1, 2])
y_pred = np.array([0, 2, 1, 0, 0, 1])

cm = confusion_matrix(y_true, y_pred)
labels = np.unique(y_true)

print("混淆矩阵：")
print(cm)
print("行/列标签：")
print(labels)

混淆矩阵是一个二维数组，行标签和列标签分别表示真实标签和预测标签的取值。行/列标签可以通过np.unique()函数获取，该函数返回数组中的唯一值，并按升序排列。

对于腾讯云相关产品和产品介绍链接地址，由于要求不能提及具体品牌商，无法提供相关链接。但可以参考腾讯云的官方文档或搜索相关内容来了解腾讯云在云计算领域的产品和服务。

相关搜索:用有意义的行和列标签绘制混淆矩阵如何知道混淆矩阵的实际标签顺序？如何打印混淆矩阵的标签和列名？显示带行标签和列标签的矩阵如何为海运混淆矩阵添加正确的标签如何解释H2O混淆矩阵的行和列如何命名矩阵行名称的列如何在矩阵行组的最新列之前获取值？如何从大型稀疏csc矩阵中获取列如何从r中的矩阵中获取特定的列？从python CRFSuite获取混淆矩阵的最简单方法是什么？如何打印矩阵，使矩阵有不同的行和列？从COO矩阵的属性(数据、行、列)初始化COO矩阵如何从linq获取每列的行值从数据集中的值获取列标签如何从索引中获取行和列？如何在一个混淆矩阵中有两个不同的标签？如何使用Python Pandas“合并/添加”具有相同列和行的2个混淆矩阵数据帧？如何从矩阵上的行更新值 Numpy:获取给定矩阵的所有行和列组合

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

利用python中的matplotlib打印混淆矩阵实例

前面说过混淆矩阵是我们在处理分类问题时，很重要的指标，那么如何更好的把混淆矩阵给打印出来呢，直接做表或者是前端可视化，小编曾经就尝试过用前端（D5）做出来，然后截图，显得不那么好看。。

03

使用Scikit-learn实现分类（MNIST）

这是我学习hands on ml with sklearn and tf 这本书做的笔记，这是第三章

00

《Scikit-Learn与TensorFlow机器学习实用指南》第3章分类

在第一章我们提到过最常用的监督学习任务是回归（用于预测某个值）和分类（预测某个类别）。在第二章我们探索了一个回归任务：预测房价。我们使用了多种算法，诸如线性回归，决策树，和随机森林（这个将会在后面的章节更详细地讨论）。现在我们将我们的注意力转到分类任务上。

01

机器学习中分类准确率的评估方法

对机器学习的分类结果进行分析是一个很重要的过程，之前一直忽略了这一个过程，一直到使用了Scikit-learn之后才发现有一堆不懂的名词需要学习。下面主要解释下混淆矩阵、准确率、召回率、f1-score等概念。这些概念其实也是模式识别和信息检索里面经常碰到的东西。

03

《Scikit-Learn与TensorFlow机器学习实用指南》第3章分类

第3章分类来源：ApacheCN《Sklearn 与 TensorFlow 机器学习实用指南》翻译项目译者：@时间魔术师校对：@Lisanaaa @飞龙在第一章我们提到过最常用的监督学习任务是回归（用于预测某个值）和分类（预测某个类别）。在第二章我们探索了一个回归任务：预测房价。我们使用了多种算法，诸如线性回归，决策树，和随机森林（这个将会在后面的章节更详细地讨论）。现在我们将我们的注意力转到分类任务上。 MNIST 在本章当中，我们将会使用 MNIST 这个数据集，它有着 70000

07

关于Scikit-Learn你（也许）不知道的10件事

Scikit-learn是使用最广泛的Python机器学习库之一。它有标准化和简单的接口，用于数据预处理和模型训练、优化以及评估。

02

机器学习Tips：关于Scikit-Learn的 10 个小秘密

原文 | https://towardsdatascience.com/10-things-you-didnt-know-about-scikit-learn-cccc94c50e4f

03

Python 数据科学手册 5.2 Scikit-Learn 简介

有几个 Python 库提供一系列机器学习算法的实现。最著名的是 Scikit-Learn，一个提供大量常见算法的高效版本的软件包。 Scikit-Learn 的特点是简洁，统一，流线型的 API，以及非常实用和完整的在线文档。这种一致性的好处是，一旦了解了 Scikit-Learn 中一种类型的模型的基本用法和语法，切换到新的模型或算法就非常简单。

01

Sklearn、TensorFlow 与 Keras 机器学习实用指南第三版（二）

在第一章中，我提到最常见的监督学习任务是回归（预测值）和分类（预测类）。在第二章中，我们探讨了一个回归任务，使用各种算法（如线性回归、决策树和随机森林）来预测房屋价值（这将在后面的章节中进一步详细解释）。现在我们将把注意力转向分类系统。

00

【Python机器学习】系列之从线性回归到逻辑回归篇（深度详细附源码）

第1章机器学习基础将机器学习定义成一种通过学习经验改善工作效果的程序研究与设计过程。其他章节都以这个定义为基础，后面每一章里介绍的机器学习模型都是按照这个思路解决任务，评估效果。第2章线性回归介绍线性回归模型，一种解释变量和模型参数与连续的响应变量相关的模型。本章介绍成本函数的定义，通过最小二乘法求解模型参数获得最优模型。第3章特征提取与处理很多机器学习问题需要研究的对象可能是分类变量、文字甚至图像。本章介绍提取这些变量特征的方法。这些技术是数据处理的前提——序列化，更是机器学习的基

直播案例 | 使用KNN对新闻主题进行自动分类

本案例旨在用新闻主题分类这一简单任务演示机器学习的一般流程。具体地，我们使用了一个搜狐新闻数据集。使用 Python 的 jieba 分词工具对中文新闻进行了分词处理。然后使用 Scikit-learn 工具的 K近邻算法构建 KNN 模型。最后对新闻分类的效果进行了简单的分析。

09

如何用Python和机器学习训练中文文本情感分类模型？

利用Python机器学习框架scikit-learn，我们自己做一个分类模型，对中文评论信息做情感分析。其中还会介绍中文停用词的处理方法。

03

教程 | 初学者入门：如何用Python和SciKit Learn 0.18实现神经网络？

选自Springboard 作者：Jose Portilla 机器之心编译参与：Jane W、吴攀本教程的代码和数据来自于 Springboard 的博客教程。本文的作者为 Jose Portilla，他是网络教育平台 Udemy 一门数据科学类课程的讲师。 GitHub 链接：https://github.com/Rogerh91/Springboard-Blog-Tutorials/blob/master/Neural%20Networks%20/JMPortilla_SpringBoard_Bl

一个关于Scikit-Learn的简明介绍：Python机器学习库

如果你是一个Python程序员，或者你正在寻找一个牛逼的库，使你可以应用机器学习到生产系统上，那么你会要认真考虑的库就是scikit-learn。在这篇文章中，你会得到一个scikit-learn库的概述和有用的参考。

04

Scikit-Learn的简介：Python机器学习库

如果你是一名Python程序员，或者你正在寻找一个强大的库，可以将机器学习运用到实际系统中，那么你要认真考虑一下scikit-learn。

07

从基础到进阶，掌握这些数据分析技能需要多长时间？

通常情况下，具有物理、数学、科学、工程、会计或计算机科学等学科背景的人，需要的时间相对更少。具体所需的时间取决于你的专业背景以及个人能够投入多少的精力和时间。

02

终于有人把准确率、精度、召回率、均方差和R²都讲明白了

在真实场景中，模型很少能成功地预测所有的内容。我们知道应该使用测试集的数据来评估我们的模型。但是这到底是如何工作的呢？

04

终于有人把准确率、精度、召回率、均方差和R²都讲明白了

导读：在真实场景中，模型很少能成功地预测所有的内容。我们知道应该使用测试集的数据来评估我们的模型。但是这到底是如何工作的呢？

03

python在Scikit-learn中用决策树和随机森林预测NBA获胜者

在本文中，我们将以Scikit-learn的决策树和随机森林预测NBA获胜者。美国国家篮球协会（NBA）是北美主要的男子职业篮球联赛，被广泛认为是首屈一指的男子职业篮球联赛在世界上。它有30个团队（美国29个，加拿大1个）。

02

手把手|用Python端对端数据分析识别机器人“僵尸粉”

大数据文摘作品，转载需后台申请授权原文作者：Erin Shellman 选文|孙强编译|吴怡雯校对|丁雪佘彦遥导读：不仅微博，在twitter中也存在大批的“僵尸粉”。Twit

06

盘一盘 Python 系列 9 - Scikit-Plot

当机器学习工具 Scikit-Learn 遇上了可视化工具 Matplotlib，就衍生出 Scikit-Plot。

04

数据分享|R语言SVM支持向量机用大学生行为数据对助学金精准资助预测ROC可视化

大数据时代的来临，为创新资助工作方式提供了新的理念和技术支持，也为高校利用大数据推进快速、便捷、高效精准资助工作带来了新的机遇（点击文末“阅读原文”获取完整代码数据）。

01

作为一个深度学习新手团队，我是如何拿到 Kaggle 比赛第三名的？

The Women in Data Science组织与她们的合作伙伴共同发起了 WiDS Datathon 的活动。这个活动的挑战在于，你需要建立一个预测卫星图像中油棕种植园存在的模型。Planet and Figure Eight慷慨地提供了地球卫星最近拍摄的卫星图像的注释数据集。数据集图像具有3米的空间分辨率，每个图像都基于图像中存在的油棕种植园进行标记（0表示无种植园，1表示有种植园）。任务是训练一个模型，该模型将卫星图像作为输入，并输出包含油棕种植园的图像可能性预测。标号训练和测试数据集由竞赛创建者提供用于模型开发。点此了解更多。

01

Python机器学习库:Scikit-Learn简介

如果你是一名Python程序员，并且你正在寻找一个强大的库将机器学习引入你的项目，那么你可以考虑使用Scikit-Learn库。

PyCaret 可轻松搞定机器学习！

PyCaret 是由 Moez Ali 创建并于2020年4月发布的 python 开源低代码机器学习库。它只需要使用很少的代码就可以创建整个机器学习管道。

02

『为金融数据打标签』「2. 元标签方法」

在〖三隔栏方法〗一贴里，我们已经解决了第一个问题，即根据止损止盈来给数据打标签。本帖则关注第二个问题，即如果下单，该下多少。

01

受试者工作特性曲线 (ROC) 的原理及绘制方式

受试者工作特性曲线 (Receiver Operating Characteristic, ROC) 曲线是生信分析中一种常用的性能评估方法，那么他背后的原理是什么呢？他为什么会被推荐作为二分类模型的优秀性能指标呢？

02

使用 scikit-learn 玩转机器学习——模型评价

对于分类模型来说，我们一般会用模型的准确率来进行模型的评价，模型的准确率是用预测正确的样本数除以模型的总数。如果一个模型的准确率达到了95%，那么在我们的印象中，是不是这个模型表现的还挺不错的，那如果达到了99%呢，岂不是更好？

01

数据科学与机器学习管道中预处理的重要性（一）：中心化、缩放和K近邻

原文链接：The importance of preprocessing in data science and the machine learning pipeline I: centering, scaling and k-Nearest Neighbours 作者：Hugo Bowne-Anderson 译者：刘翔宇审校：刘帝伟责编：周建丁（zhoujd@csdn.net）未经许可，谢绝转载！数据预处理是一个概括性术语，它包括一系列的操作，数据科学家使用这些方法来将原始数据处理成更方

03

机器学习系列：（四）从线性回归到逻辑回归---续篇

欢迎小伙伴们回来继续学习，本篇内容是连着上一篇 “机器学习系列：（四）从线性回归到逻辑回归”文章。多类分类现实中有很多问题不只是分成两类，许多问题都需要分成多个类，成为多类分类问题（Multi-class classification）。比如听到一首歌的样曲之后，可以将其归入某一种音乐风格。这类风格就有许多种。scikit-learn用one-vs.-all或one-vs.-the-rest方法实现多类分类，就是把多类中的每个类都作为二元分类处理。分类器预测样本不同类型，将具有最大置信水平的类型作为样本

06

早发现早治疗系列之乳腺癌：DL模型为患者争取五年治疗时间

AI 与医疗的结合已是当下流行的一大趋势之一。我们之前写过关于 AI 帮助诊断皮肤病、阿茨海默症等疾病。相比之前搭建 AI 医疗图像筛查平台检查乳腺癌，此次 MIT 的研究人员创建深度学习模型，帮助患者提前五年预测乳腺癌，及早确诊、及早治疗。

03

FP、FN、TP、TN、精确率(Precision)、召回率(Recall)、准确率(Accuracy)评价指标详述

在机器学习领域中，用于评价一个模型的性能有多种指标，其中几项就是FP、FN、TP、TN、精确率(Precision)、召回率(Recall)、准确率(Accuracy)。这里我们就对这块内容做一个集中的理解。分为一和二，5分钟。

03

从入门到精通：Scikit-learn实践指南

随着机器学习在各个领域的广泛应用，Python成为了一个备受欢迎的机器学习工具之一。在众多机器学习库中，Scikit-learn因其简单易用、功能强大而备受青睐。本文将介绍Scikit-learn的基本概念，以及如何在Python中使用它进行机器学习的实践。

02

【机器学习基础】关于Scikit-Learn，你不一定知道的10件事

Scikit-learn是使用最广泛的Python机器学习库之一。它有一个标准化和简单的接口用来预处理数据和进行模型的训练，优化和评估。

01

混淆矩阵 (confusion matrix)

在机器学习中，混淆矩阵可以可视化预测的结果情形。即可以方便的看出模型是否将集中不同的类混淆。

03

超强，必会的机器学习评估指标

构建机器学习模型的关键步骤是检查其性能，这是通过使用验证指标来完成的。选择正确的验证指标就像选择一副水晶球：它使我们能够以清晰的视野看到模型的性能。在本指南中，我们将探讨分类和回归的基本指标和有效评估模型的知识。学习何时使用每个指标、优点和缺点以及如何在 Python 中实现它们。

00

数据分析：分类算法和评估

分类是在一群已经知道类型的样本中，训练一种分类器，让其能够对某种未知的样本进行分类。分类算法的分类过程就是建立一种分类模型来描述预定的数据集或概念集，通过分析由属性描述的数据库元组来构造模型。

02

MCC — 机器学习中优于F1-score和accuracy的一个性能评价指标

在机器学习中，模型性能的评估是一个关键问题。常见的评价指标有F1-score, Accuracy, Precision, Recall, ROC 和 AUC (对这些评价指标不了解的，可以参考生信菜鸟团之前的一篇文章: 机器学习实战 | 机器学习性能指标 )。但是我们对这些统计指标的可靠性要保持谨慎的态度，特别是在不平衡的数据集上。

03

基础|认识机器学习中的逻辑回归、决策树、神经网络算法

作者：石文华编辑：田　旭逻辑回归 1 逻辑回归。它始于输出结果为有实际意义的连续值的线性回归，但是线性回归对于分类的问题没有办法准确而又具备鲁棒性地分割，因此我们设计出了逻辑回归这样一个算法，它

08

基础|认识机器学习中的逻辑回归、决策树、神经网络算法

逻辑回归。它始于输出结果为有实际意义的连续值的线性回归，但是线性回归对于分类的问题没有办法准确而又具备鲁棒性地分割，因此我们设计出了逻辑回归这样一个算法，它的输出结果表征了某个样本属于某类别的概率。逻辑回归的成功之处在于，将原本输出结果范围可以非常大的θTX 通过sigmoid函数映射到(0,1)，从而完成概率的估测。sigmoid函数图像如下图所示：

03

如何通过交叉验证改善你的训练数据集？

假设这样一种情况，你对一个样本不均匀的数据集做了一段时间的处理，在这期间你用其中一部分数据做试验，测试了n种机器学习方法，然后喜闻乐见的发现每次的准确率都高达95%。你觉得这95%的准确率真的是实至名归吗？

02

Scikit-learn 基础

Scikit-learn 是开源的 Python 库，通过统一的界面实现机器学习、预处理、交叉验证及可视化算法。

03

F1是合适的指标吗?那么F2 F3…F_beta呢?

根据许多数据科学家的说法，最可靠的模型性能度量是准确率。但是确定的模型指标不只有一个，还有很多其他指标。例如，准确率可能很高，但是假阴性也很高。另一个关键度量是当今机器学习中常见的F指标，用于评估模型性能。它按比例结合了精度和召回率。在这篇文章中，我们探讨了建议两者不平衡的不同方法。

03

CNN中的混淆矩阵 | PyTorch系列（二十三）

原标题：CNN Confusion Matrix With PyTorch - Neural Network Programming

02

你的机器“不肯”学习，怎么办？

我给你写了一篇《如何用 Python 和 Tensorflow 2.0 神经网络分类表格数据？》，为你讲解了 Tensorflow 2.0 处理结构化数据的分类。

04

完全云端运行：使用谷歌CoLaboratory训练神经网络

选自Medium 作者：Sagar Howal 机器之心编译参与：路雪 Colaboratory 是一个 Google 研究项目，旨在帮助传播机器学习培训和研究成果。它是一个 Jupyter 笔记本环境，不需要进行任何设置就可以使用，并且完全在云端运行。Colaboratory 笔记本存储在 Google 云端硬盘 (https://drive.google.com/) 中，并且可以共享，就如同您使用 Google 文档或表格一样。Colaboratory 可免费使用。本文介绍如何使用 Google Co

08

一图胜千言！机器学习模型可视化！！

机器学习模型有强大而复杂的数学结构。了解其错综复杂的工作原理是模型开发的一个重要方面。模型可视化对于获得见解、做出明智的决策和有效传达结果至关重要。

01

用 GPU 加速 TSNE：从几小时到几秒

原标题 | Accelerating TSNE with GPUs: From hours to seconds

03

Kaggle首战斩获第三，看深度学习菜鸟团队如何一鸣惊人

Women in Data Science 与合作伙伴共同发起了 WiDS 数据马拉松竞赛（WiDS datathon）。赛题是创建一个能够预测卫星图像上油棕种植园存在情况的模型。

02

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭