编写一个以正类为输入的混淆矩阵函数答案

【问题标题】：Writing a confusion matrix function taking positive class as an input编写一个以正类为输入的混淆矩阵函数
【发布时间】：2021-12-26 04:48:29
【问题描述】：

我想创建一个混淆矩阵，而不依赖于任何包。我有两个列表（预测值和实际值），我想将它们与正类的指标一起输入到函数中。

例如，当1是正类时：

predicted_lst = [1, 0, 1, 0, 0]
actual_lst = [1, 0, 0, 1, 1]

我的函数目前看起来是这样的，但是效率很低：

def confusion_matrix(predicted, actual, pos_class):
    
    TP = 0
    TN = 0 
    FP = 0
    FN = 0
    
    for i in range(len(actual)):
        if actual[i] == pos_class and predicted[i] == pos_class:
            TP +=1
        elif actual[i] == pos_class and predicted[i] != pos_class:
            FN +=1
        elif actual[i] != pos_class and predicted[i] == pos_class:
            FP +=1
        else:
            TN +=1
    return TP, FP, TN, FN

我的问题是，有没有更有效的方法来编写这段代码？我看到了these posts，但他们没有像我希望的那样将正类作为函数输入。我也不想使用任何包（包括 numpy）

【问题讨论】：

标签： python machine-learning confusion-matrix

【解决方案1】：

您可以编写函数，假设1 是正类，如果0 是正类，只需相应地更改返回值的顺序即可容纳pos_class 参数。

在循环内，您可以放弃FP 和FN 的增量计算，因为这些可以从循环外的真实值推导出来：

def confusion_matrix(predicted, actual, pos_class):
    
    TP = 0
    TN = 0 
    
    for pred, act in zip(predicted, actual):
        if pred == act:
            if act == 0:
                TN += 1
            else:
                TP += 1
    
    positive = sum(predicted)
    negative = len(predicted) - positive        
    FP = positive - TP 
    FN = negative - TN
    
    if pos_class == 1:
        return TP, FP, TN, FN
    else:
        return TN, FN, TP, FP

【讨论】：

【解决方案2】：

请参阅下面的几个替代解决方案。

选项 1：

def confmat_1(actual, predicted, positive, negative):

    tn = len([x for x in zip(predicted, actual) if x[0] == negative and x[1] == negative])
    fp = len([x for x in zip(predicted, actual) if x[0] == positive and x[1] == negative])
    fn = len([x for x in zip(predicted, actual) if x[0] == negative and x[1] == positive])
    tp = len([x for x in zip(predicted, actual) if x[0] == positive and x[1] == positive])

    return tn, fp, fn, tp

选项 2：

def confmat_2(actual, predicted, positive, negative):

    tn = 0
    fp = 0
    fn = 0
    tp = 0

    for x in zip(predicted, actual):

        if x[0] == negative and x[1] == negative:
            tn += 1

        elif x[0] == positive and x[1] == negative:
            fp += 1

        elif x[0] == negative and x[1] == positive:
            fn += 1

        else:
            tp += 1

    return tn, fp, fn, tp

例子：

from sklearn.metrics import confusion_matrix

actual = [1, 0, 0, 1, 1]
predicted = [1, 0, 1, 0, 0]

# Option 1
tn, fp, fn, tp = confmat_1(actual, predicted, positive=1, negative=0)
print(tn, fp, fn, tp)
# 1 1 2 1

# Option 2
tn, fp, fn, tp = confmat_2(actual, predicted, positive=1, negative=0)
print(tn, fp, fn, tp)
# 1 1 2 1

# Scikit-learn
tn, fp, fn, tp = confusion_matrix(actual, predicted).ravel()
print(tn, fp, fn, tp)
# 1 1 2 1

【讨论】：