confusion-matrix

Classe “Confusion Matrix” §

A ConfusionMatrix é uma visualização do Yellowbrick, uma biblioteca para visualização de análises de aprendizado de máquina em Python. A classe ConfusionMatrix permite criar e visualizar a matriz de confusão para avaliar o desempenho de modelos de classificação.

Sintaxe §

from yellowbrick.classifier import ConfusionMatrix
 
# Criar a visualização
cm = ConfusionMatrix(model)
 
# Ajustar o modelo e criar a matriz de confusão
cm.fit(X_train, y_train)
 
# Visualizar a matriz de confusão
cm.score()

Parâmetros:

• model: O estimador (modelo) do Scikit-learn que implementa o algoritmo de classificação. Por exemplo, pode ser um objeto de uma das classes como GaussianNB, LogisticRegression, RandomForestClassifier, entre outros.

• X_train: Array-like ou matriz esparsa de formato (n_samples, n_features) que representa os dados de treinamento.

• y_train: Array-like ou lista que contém as classes alvo (rótulos) das amostras de treinamento.

Exemplo §

from yellowbrick.classifier import ConfusionMatrix
from sklearn.naive_bayes import GaussianNB
 
# Carregar o conjunto de dados
with open("credit.pkl", "rb") as file:
    X_credit_train, y_credit_train, X_credit_test, y_credit_test = pickle.load(file)
 
# Criar o modelo Naive Bayes Gaussiano
naive_credit_data = GaussianNB()
naive_credit_data.fit(X_credit_train, y_credit_train)
 
# Criar a visualização da matriz de confusão
cm = ConfusionMatrix(naive_credit_data)
 
# Ajustar o modelo e criar a matriz de confusão
cm.fit(X_credit_train, y_credit_train)
 
# Visualizar a matriz de confusão
cm.score(X_credit_test, y_credit_test)

Saída:

Neste exemplo, estamos usando o conjunto de dados de risco de crédito, onde estamos treinando um modelo de Naive Bayes Gaussiano e visualizando a matriz de confusão para avaliar o desempenho do modelo em um conjunto de teste.

Conclusão §

A visualização da matriz de confusão é uma ferramenta importante para avaliar o desempenho de modelos de classificação e entender os erros e acertos em cada classe. O Yellowbrick facilita a criação e visualização da matriz de confusão, permitindo uma análise mais detalhada do desempenho do modelo de classificação.