{"id":2143,"date":"2023-07-23T12:36:51","date_gmt":"2023-07-23T12:36:51","guid":{"rendered":"https:\/\/statorials.org\/nl\/python-matrixverwarring\/"},"modified":"2023-07-23T12:36:51","modified_gmt":"2023-07-23T12:36:51","slug":"python-matrixverwarring","status":"publish","type":"post","link":"https:\/\/statorials.org\/nl\/python-matrixverwarring\/","title":{"rendered":"Hoe je een verwarringsmatrix cre\u00ebert in python"},"content":{"rendered":"

<\/p>\n

\n

Logistische regressie<\/a> is een type regressie dat we kunnen gebruiken als de responsvariabele binair is.<\/span><\/p>\n

Een gebruikelijke manier om de kwaliteit van een logistisch regressiemodel te beoordelen, is door een verwarringsmatrix<\/strong> te maken, een tabel van 2 \u00d7 2 die de voorspelde waarden van het model weergeeft versus de werkelijke waarden van de testdataset.<\/span> <\/p>\n

\"\"<\/p>\n

Om een verwarringsmatrix te maken voor een logistisch regressiemodel in Python, kunnen we de functie verwarring_matrix()<\/strong> uit het sklearn-<\/a> pakket gebruiken:<\/span><\/p>\n

 from<\/span> sklearn import<\/span> metrics\nmetrics.metrics. confusion_matrix<\/span> (y_actual, y_predicted)\n<\/strong><\/pre>\n
 In het volgende voorbeeld ziet u hoe u deze functie kunt gebruiken om een verwarringsmatrix te maken voor een logistisch regressiemodel in Python.<\/span><\/p>\n
 Voorbeeld: een verwarringsmatrix maken in Python<\/strong><\/span><\/h3>\n
 Stel dat we de volgende twee tabellen hebben met daarin de werkelijke waarden van een responsvariabele, evenals de waarden voorspeld door een logistisch regressiemodel:<\/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
 We kunnen de functie verwarring_matrix()<\/strong> van sklearn gebruiken om een verwarringsmatrix voor deze gegevens te maken:<\/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
 Als we willen, kunnen we de crosstab()<\/strong> -functie van Panda gebruiken om een visueel aantrekkelijkere verwarringsmatrix te cre\u00ebren:<\/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
 De kolommen tonen de voorspelde waarden voor de responsvariabele en de rijen tonen de werkelijke waarden.<\/span><\/p>\n
 We kunnen ook de nauwkeurigheid, precisie en herinnering berekenen met behulp van functies in het sklearn-pakket:<\/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 volgt een korte opfriscursus over nauwkeurigheid, precisie en terugroepactie:<\/span><\/p>\n