我们可以使用svm.SVC.score()来评估SVM模型的准确性。如果预测错误，我想得到预测的类和实际的类。我如何在scikit-learn 中实现这一点？
【问题讨论】：
标签： python machine-learning scikit-learn svm
最简单的方法是迭代你的预测（和正确的分类），然后对输出做任何你想做的事情（在下面的例子中，我将把它打印到标准输出）。
假设您的数据在输入、标签中，并且您训练的 SVM 在 clf 中，那么您可以这样做
predictions = clf.predict(inputs)
for input, prediction, label in zip(inputs, predictions, labels):
if prediction != label:
print(input, 'has been classified as ', prediction, 'and should be ', label)
【讨论】：
这取决于您希望错误预测采用何种形式。对于大多数用例，混淆矩阵就足够了。
混淆矩阵是实际类与预测类的图，图的对角线是所有正确的预测，其余单元格是不正确的预测。
您可以在 sklearn 的 Confusion Matrix example 上看到更好的混淆矩阵示例。
如果您只想列出所有错误分类值及其预测类别和实际类别，则可以执行以下操作。
只需选择实际类别和预测类别不相等的所有数据行。
import numpy as np
import pandas as pd
X = np.array([0.1, 0.34, 0.2, 0.98])
y = np.array(["A", "B", "A", "C"])
y_pred = np.array(["A", "C", "B", "C"])
df = pd.DataFrame(X, columns=["X"])
df["actual"] = y
df["predicted"] = y_pred
incorrect = df[df["actual"] != df["predicted"]]
在这种情况下，incorrect 将包含以下条目。
X actual predicted
1 0.34 B C
2 0.20 A B
【讨论】：
您可以使用 sklearn 直接制作混淆矩阵。它给出了一个 (2*2) 矩阵。
from sklearn import metrics
my_matrix = metrics.confusion_matrix(Y_test, Y_predicted)
Y_test：你的测试类数组
Y_predicted：模型的预测数组
混淆矩阵的单元格将为您提供：真阳性值、假阳性值、假阴性值和真阴性值。
请查看this。
【讨论】：
我使用了上面列出的一些方法。但是今天发现了更简单的东西。试试吧。如果您的数据有 2 个特征，您可以使用它。
X 数据
y- 你的预测
false_x = X[y==0][:, 0]
True_x = X[y==1][:, 0]
【讨论】：