【问题标题】：How to show precision in a confusion matrix如何在混淆矩阵中显示精度
【发布时间】：2019-09-28 19:01:46
【问题描述】：

我正在使用 scikit learn，我想以混淆矩阵的形式显示精度。所以我有这个混淆矩阵：

array([[1266,   45,    6],
       [  25, 1507,   19],
       [  36,   82,  858]], dtype=int64)

我应用了这段代码，来自另一篇文章：

cm = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis]

输出是：

array([[0.96127563, 0.03416856, 0.00455581],
       [0.01611863, 0.97163121, 0.01225016],
       [0.03688525, 0.08401639, 0.87909836]])

但是，这是召回率，而不是精度。如何让它显示精度？

【问题讨论】：

【解决方案1】：

精确度的答案是

import numpy as np
precision = np.diag(cm) / np.sum(cm, axis = 0)

精度为TP/(TP+FP)，因此对角线值是真正的正数和列的总和。

更新 1：根据您的评论

precision = []
for x in np.nditer(cm):
    precision.append(x / np.sum(cm, axis = 0))

【讨论】：

不，我想采用归一化数据的矩阵形式，就像上面的召回矩阵一样
它不起作用，它给了我一个很长的列表：[array([0.954, 0.775, 1.434]), array([0.034, 0.028, 0.051]), array([0.005, 0.004, 0.007 ]), 数组([0.019, 0.015, 0.028]), 数组([1.136, 0.922, 1.707]), 数组([0.014, 0.012, 0.022]), 数组([0.027, 0.022, 0.041]), 数组([ 0.062, 0.050, 0.093]), 数组([0.647, 0.525, 0.972])]
我在您提供的示例矩阵上测试了代码，我得到了正确的输出。我不确定你那边出了什么问题。使用您输入我的代码的矩阵更新您的问题，以便我可以复制它。

【解决方案2】：

找到了，把axis=0改成axis=1就行了

cm = cm.astype('float') / cm.sum(axis=0)[:, np.newaxis]

好的，但是这段代码有问题，我有这个输出：

array([[0.954, 0.034, 0.005],
       [0.015, 0.922, 0.012],
       [0.041, 0.093, 0.972]])

当你对任何行求和时，它应该等于 1，但事实并非如此。

已解决

使用这个：

C / C.astype(np.float).sum(axis=0)

【讨论】：