{"id":2141,"date":"2023-07-23T12:36:51","date_gmt":"2023-07-23T12:36:51","guid":{"rendered":"https:\/\/statorials.org\/de\/python-matrix-verwirrung\/"},"modified":"2023-07-23T12:36:51","modified_gmt":"2023-07-23T12:36:51","slug":"python-matrix-verwirrung","status":"publish","type":"post","link":"https:\/\/statorials.org\/de\/python-matrix-verwirrung\/","title":{"rendered":"So erstellen sie eine verwirrungsmatrix in python"},"content":{"rendered":"

<\/p>\n

\n

Die logistische Regression<\/a> ist eine Art Regression, die wir verwenden k\u00f6nnen, wenn die Antwortvariable bin\u00e4r ist.<\/span><\/p>\n

Eine g\u00e4ngige Methode zur Beurteilung der Qualit\u00e4t eines logistischen Regressionsmodells besteht darin, eine Verwirrungsmatrix<\/strong> zu erstellen, bei der es sich um eine 2 \u00d7 2-Tabelle handelt, die die vorhergesagten Werte des Modells im Vergleich zu den tats\u00e4chlichen Werten des Testdatensatzes zeigt.<\/span> <\/p>\n

\"\"<\/p>\n

Um eine Verwirrungsmatrix f\u00fcr ein logistisches Regressionsmodell in Python zu erstellen, k\u00f6nnen wir die Funktion confusion_matrix()<\/strong> aus dem sklearn-<\/a> Paket verwenden:<\/span><\/p>\n

 from<\/span> sklearn import<\/span> metrics\nmetrics.metrics. confusion_matrix<\/span> (y_actual, y_predicted)\n<\/strong><\/pre>\n
 Das folgende Beispiel zeigt, wie Sie mit dieser Funktion eine Verwirrungsmatrix f\u00fcr ein logistisches Regressionsmodell in Python erstellen.<\/span><\/p>\n
 Beispiel: Erstellen einer Verwirrungsmatrix in Python<\/strong><\/span><\/h3>\n
 Angenommen, wir haben die folgenden zwei Tabellen, die die tats\u00e4chlichen Werte einer Antwortvariablen sowie die von einem logistischen Regressionsmodell vorhergesagten Werte enthalten:<\/span><\/p>\n
 #define array of actual values\n<\/span>y_actual = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]\n\n#define array of predicted values\n<\/span>y_predicted = [0, 0, 1, 0, 0, 1, 1, 0, 0, 1, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1]\n<\/strong><\/pre>\n
 Wir k\u00f6nnen die Funktion \u201econfusion_matrix()\u201c<\/strong> von sklearn verwenden, um eine Verwirrungsmatrix f\u00fcr diese Daten zu erstellen:<\/span><\/p>\n
 from<\/span> sklearn import<\/span> metrics\n\n#create confusion matrix\n<\/span>c_matrix = metrics. confusion_matrix<\/span> (y_actual, y_predicted)\n\n#print confusion matrix\n<\/span>print<\/span> (c_matrix)\n\n[[6 4]\n [2 8]]<\/strong><\/pre>\n
 Wenn wir m\u00f6chten, k\u00f6nnen wir die Funktion crosstab()<\/strong> von Pandas verwenden, um eine optisch ansprechendere Verwirrungsmatrix zu erstellen:<\/span><\/p>\n
 import<\/span> pandas as<\/span> pd\n\ny_actual = pd. Series<\/span> (y_actual, name=' Actual<\/span> ')\ny_predicted = pd. Series<\/span> (y_predicted, name=' Predicted<\/span> ')\n\n#create confusion matrix<\/span>\nprint<\/span> (pd. crosstab<\/span> (y_actual, y_predicted))\n\nPredicted 0 1\nCurrent         \n0 6 4\n1 2 8<\/strong><\/pre>\n
 Die Spalten zeigen die vorhergesagten Werte f\u00fcr die Antwortvariable und die Zeilen zeigen die tats\u00e4chlichen Werte.<\/span><\/p>\n
 Wir k\u00f6nnen Genauigkeit, Pr\u00e4zision und R\u00fcckruf auch mithilfe der Funktionen im sklearn-Paket berechnen:<\/span><\/p>\n
 #print accuracy of model\n<\/span>print<\/span> ( metrics.accuracy_score<\/span> (y_actual, y_predicted))\n\n0.7\n\n#print precision value of model\n<\/span>print<\/span> ( metrics.precision_score<\/span> (y_actual, y_predicted))\n\n0.667\n\n#print recall value of model\n<\/span>print<\/span> (metrics. recall_score<\/span> (y_actual, y_predicted))\n\n0.8\n<\/strong><\/pre>\n
 Hier ist eine kurze Auffrischung zu Genauigkeit, Pr\u00e4zision und R\u00fcckruf:<\/span><\/p>\n