如何将混淆矩阵转换为数据帧？

Question

我想知道如何将混淆矩阵从scikit学习转换为数据帧。

我不知道混合不同模型的所有mc是否可行。我为什么问是因为可读性。我必须始终在终端中打印并将mc复制到Excel文件中，这真的很苛刻，因为我根据所选的参数多次运行脚本。

models = {'Model_SVC': model1, 'Model_G_NB': model2, 'Model_LR': model3, 'Model_RF': model4,      'Model_KN': model5, 'Model_MLP': model6}

    

    cv_splitter = KFold(n_splits=10, shuffle=False, random_state=None)

    for model_name, model in models.items():

        y_pred = cross_val_predict(model, features, ylabels, cv=cv_splitter)

        print("Model: {}".format(model_name))

        print("Accuracy: {}".format(accuracy_score(ylabels, y_pred)))

        cm = confusion_matrix(ylabels, y_pred)

        

        output = pd.DataFrame()

        print("matrice confusion: {}".format(cm), file=f)

矩阵看起来像这样：

Model: Model_SVC

Accuracy: 0.5692307692307692

matrice confusion: [[ 34   4  46]

 [ 10   2  33]

 [ 16   3 112]]

Model: Model_G_NB

Accuracy: 0.43846153846153846

matrice confusion: [[31 22 31]

 [10 13 22]

 [27 34 70]]

Model: Model_LR

Accuracy: 0.5461538461538461

matrice confusion: [[ 30   4  50]

 [ 11   0  34]

 [ 16   3 112]]

Model: Model_RF

Accuracy: 0.5846153846153846

matrice confusion: [[ 40   5  39]

 [ 17   1  27]

 [ 20   0 111]]

Model: Model_KN

Accuracy: 0.4846153846153846

matrice confusion: [[33 10 41]

 [14 12 19]

 [41  9 81]]

Model: Model_MLP

Accuracy: 0.5153846153846153

matrice confusion: [[ 17   0  67]

 [ 12   0  33]

 [ 13   1 117]]

我想要这样的东西：

   F    C   M

0  34   4  46

1  10   2  33

2  16   3 112  

3  31  22  31   => second cm 

4  10  13  22

5  27  34  70

6  30   4  50  => third cm

7  11   0  34

8  16   3 112

...

由于我使用的是“for”，我希望cm相互切换，以便最后我能够将数据导出到一个excel或csv文件中。一个数据框，可以一个接一个地组合所有cm打印。

Answer 1

将任何2D矩阵（混淆与否）转换为熊猫数据帧非常简单：from sklearn.metrics import confusion_matrixy_true = [2, 0, 2, 2, 0, 1]y_pred = [0, 0, 2, 2, 0, 2]cm = confusion_matrix(y_true, y_pred)print(cm)# result:[[2 0 0] [0 0 1] [1 0 2]]  import pandas as pddf = pd.DataFrame(cm)print(df)# result:   0  1  20  2  0  01  0  0  12  1  0  2full，具有两行和列名称。合并数据帧也是直截了当的：cm2 = [[1, 0, 0],       [0, 0, 1],       [2, 0, 1]]df2 = pd.DataFrame(cm2)cm3 = [[0, 0, 2],       [1, 2, 1],       [2, 0, 0]]df3 = pd.DataFrame(cm3)frames = [df, df2, df3]final = pd.concat(frames)print(final)# result:   0  1  20  2  0  01  0  0  12  1  0  20  1  0  01  0  0  12  2  0  10  0  0  21  1  2  12  2  0  0如果在循环中使用它，则始终可以从空列表开始，用于每个新数据帧，并获取最终帧：frames=[]frames.append(df)pd.concat(frames)frames = []for model_name, model in models.items():        y_pred = cross_val_predict(model, features, ylabels, cv=cv_splitter)        cm = confusion_matrix(y_true, y_pred)        df = pd.DataFrame(cm)        frames.append(df)final = pd.concat(frames)

Answer 2

存储在列表中，然后使用：np.vstack()import numpy as npall_cm = list()for model_name, model in models.items():    y_pred = cross_val_predict(model, features, ylabels, cv=cv_splitter)    print("Model: {}".format(model_name))    print("Accuracy: {}".format(accuracy_score(ylabels, y_pred)))    cm = confusion_matrix(ylabels, y_pred)    all_cm.append(cm)final_matrix = np.vstack(all_cm)print(final_matrix)人工数据示例：import numpy as npnp.random.seed(0)all_cm = list()for i in range(3):    all_cm.append(np.random.rand(3,3))final_matrix = np.vstack(all_cm)print(final_matrix)[[0.5488135  0.71518937 0.60276338] [0.54488318 0.4236548  0.64589411] [0.43758721 0.891773   0.96366276] [0.38344152 0.79172504 0.52889492] [0.56804456 0.92559664 0.07103606] [0.0871293  0.0202184  0.83261985] [0.77815675 0.87001215 0.97861834] [0.79915856 0.46147936 0.78052918] [0.11827443 0.63992102 0.14335329]]