{"id":2142,"date":"2023-07-23T12:36:51","date_gmt":"2023-07-23T12:36:51","guid":{"rendered":"https:\/\/statorials.org\/pt\/confusao-de-matriz-python\/"},"modified":"2023-07-23T12:36:51","modified_gmt":"2023-07-23T12:36:51","slug":"confusao-de-matriz-python","status":"publish","type":"post","link":"https:\/\/statorials.org\/pt\/confusao-de-matriz-python\/","title":{"rendered":"Como criar uma matriz de confus\u00e3o em python"},"content":{"rendered":"

<\/p>\n

\n

A regress\u00e3o log\u00edstica<\/a> \u00e9 um tipo de regress\u00e3o que podemos usar quando a vari\u00e1vel de resposta \u00e9 bin\u00e1ria.<\/span><\/p>\n

Uma forma comum de avaliar a qualidade de um modelo de regress\u00e3o log\u00edstica \u00e9 criar uma matriz de confus\u00e3o<\/strong> , que \u00e9 uma tabela 2\u00d72 que mostra os valores previstos do modelo versus os valores reais do conjunto de dados de teste.<\/span> <\/p>\n

\"\"<\/p>\n

Para criar uma matriz de confus\u00e3o para um modelo de regress\u00e3o log\u00edstica em Python, podemos usar a fun\u00e7\u00e3o confus\u00e3o_matrix()<\/strong> do pacote sklearn<\/a> :<\/span><\/p>\n

 from<\/span> sklearn import<\/span> metrics\nmetrics.metrics. confusion_matrix<\/span> (y_actual, y_predicted)\n<\/strong><\/pre>\n
 O exemplo a seguir mostra como usar esta fun\u00e7\u00e3o para criar uma matriz de confus\u00e3o para um modelo de regress\u00e3o log\u00edstica em Python.<\/span><\/p>\n
 Exemplo: Criando uma Matriz de Confus\u00e3o em Python<\/strong><\/span><\/h3>\n
 Suponha que temos as duas tabelas a seguir contendo os valores reais de uma vari\u00e1vel de resposta, bem como os valores previstos por um modelo de regress\u00e3o log\u00edstica:<\/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
 Podemos usar a fun\u00e7\u00e3o confus\u00e3o_matrix()<\/strong> do sklearn para criar uma matriz de confus\u00e3o para estes dados:<\/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 quisermos, podemos usar a fun\u00e7\u00e3o crosstab()<\/strong> do pandas para criar uma matriz de confus\u00e3o mais visualmente atraente:<\/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
 As colunas mostram os valores previstos para a vari\u00e1vel resposta e as linhas mostram os valores reais.<\/span><\/p>\n
 Tamb\u00e9m podemos calcular exatid\u00e3o, precis\u00e3o e recall usando fun\u00e7\u00f5es do pacote 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
 Aqui est\u00e1 uma r\u00e1pida atualiza\u00e7\u00e3o sobre exatid\u00e3o, precis\u00e3o e recall:<\/span><\/p>\n