Матрица ошибок (confusion matrix) — это таблица, в которой строки соответствуют истинным классам объектов, а столбцы — предсказанным классам модели. Она используется для оценки работы алгоритмов классификации: показывает, сколько объектов каждого класса были классифицированы верно и сколько — неверно.
Пример использования:
from sklearn.metrics import confusion_matrix
# y_true — истинные метки классов
# y_pred — предсказанные метки классов модели
cm = confusion_matrix(y_true, y_pred)
print(cm)
Как читать матрицу (для двух классов):
| |
Предсказано 0 |
Предсказано 1 |
| Истинно 0 |
TN |
FP |
| Истинно 1 |
FN |
TP |
- TN — True Negative (истинно отрицательные)
- FP — False Positive (ложноположительные)
- FN — False Negative (ложноотрицательные)
- TP — True Positive (истинно положительные)
Ключевые параметры:
y_true — истинные метки классов (array-like).y_pred — предсказанные метки (array-like).labels — последовательность меток для задания порядка и наличия классов.normalize — цель нормализации (по строкам, столбцам или всей матрице).
Для построенной модели посчитайте и выведите каждый параметр в отдельной строке.
- True Negative?
- False Positive?
- False Negative?
- True Positive?