{"id":2143,"date":"2023-07-23T12:36:51","date_gmt":"2023-07-23T12:36:51","guid":{"rendered":"https:\/\/statorials.org\/it\/confusione-della-matrice-python\/"},"modified":"2023-07-23T12:36:51","modified_gmt":"2023-07-23T12:36:51","slug":"confusione-della-matrice-python","status":"publish","type":"post","link":"https:\/\/statorials.org\/it\/confusione-della-matrice-python\/","title":{"rendered":"Come creare una matrice di confusione in python"},"content":{"rendered":"

<\/p>\n

\n

La regressione logistica<\/a> \u00e8 un tipo di regressione che possiamo utilizzare quando la variabile di risposta \u00e8 binaria.<\/span><\/p>\n

Un modo comune per valutare la qualit\u00e0 di un modello di regressione logistica \u00e8 creare una matrice di confusione<\/strong> , ovvero una tabella 2 \u00d7 2 che mostra i valori previsti del modello rispetto ai valori effettivi del set di dati di test.<\/span> <\/p>\n

\"\"<\/p>\n

Per creare una matrice di confusione per un modello di regressione logistica in Python, possiamo usare la funzione confusion_matrix()<\/strong> dal pacchetto sklearn<\/a> :<\/span><\/p>\n

 from<\/span> sklearn import<\/span> metrics\nmetrics.metrics. confusion_matrix<\/span> (y_actual, y_predicted)\n<\/strong><\/pre>\n
 L’esempio seguente mostra come utilizzare questa funzione per creare una matrice di confusione per un modello di regressione logistica in Python.<\/span><\/p>\n
 Esempio: creazione di una matrice di confusione in Python<\/strong><\/span><\/h3>\n
 Supponiamo di avere le seguenti due tabelle contenenti i valori effettivi di una variabile di risposta nonch\u00e9 i valori previsti da un modello di regressione logistica:<\/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
 Possiamo usare la funzione confusion_matrix()<\/strong> di sklearn per creare una matrice di confusione per questi dati:<\/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
 Se vogliamo, possiamo usare la funzione crosstab()<\/strong> di Pandas per creare una matrice di confusione visivamente pi\u00f9 accattivante:<\/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
 Le colonne mostrano i valori previsti per la variabile di risposta e le righe mostrano i valori effettivi.<\/span><\/p>\n
 Possiamo anche calcolare accuratezza, precisione e richiamo utilizzando le funzioni nel pacchetto sklearn:<\/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
 Ecco un rapido aggiornamento su accuratezza, precisione e richiamo:<\/span><\/p>\n