`sklearn.metrics`.confusion_matrix¶

sklearn.metrics.confusion_matrix()¶

Calcula la matriz de confusión para evaluar la precisión de una clasificación.

Por definición, una matriz de confusión $C$ es tal que $C_{i, j}$ es igual al número de observaciones que se sabe que están en el grupo $i$ y se prevée que estén en el grupo $j$ .

Entonces en la clasificación binaria el conteo de verdaderos negativos es $C_{0, 0}$ , falsos negativos $C_{1, 0}$ , verdaderos positivos $C_{1, 1}$ y falsos positivos $C_{0, 1}$ .

Más información en el Manual de usuario.

Parámetros

y_truearray-like de forma (n_samples,): Valores objetivo reales (correctos).
y_predarray-like de forma (n_samples,): Objetivos estimados devueltos por un clasificador.
labelsarray-like de forma (n_classes), default=None: Lista de etiquetas para indexar la matriz. Esto puede utilizarse para reordenar o seleccionar un subconjunto de etiquetas. Si es None, los que aparecen al menos una vez en y_true o y_pred se utilizan en orden ordenado.
sample_weightarray-like de forma (n_samples,), default=None: Ponderados de muestras.

Nuevo en la versión 0.18.
normalize{“true”, “pred”, “all”}, default=None: Normaliza la matriz de confusión sobre las verdaderas (filas), las condiciones predichas (columnas) o toda la población. Si es None, la matriz de confusión no se normalizará.

Devuelve

Cndarray de forma (n_classes, n_classes): Matriz de confusión cuya fila i-ésima y entrada de columna j-ésima indica el número de muestras con la etiqueta verdadera siendo la clase i-ésima y la etiqueta predicha siendo la clase j-ésima.

Ver también

plot_confusion_matrix: Gráfica de la Matriz de Confusión.
ConfusionMatrixDisplay: Visualización de la matriz de confusión.

Referencias

1: Entrada de Wikipedia para la matriz de confusión (Wikipedia y otras referencias pueden usar una convención diferente para los ejes).

Ejemplos

>>>>>> from sklearn.metrics import confusion_matrix
>>> y_true = [2, 0, 2, 2, 0, 1]
>>> y_pred = [0, 0, 2, 2, 0, 2]
>>> confusion_matrix(y_true, y_pred)
array([[2, 0, 0],
       [0, 0, 1],
       [1, 0, 2]])

>>>>>> y_true = ["cat", "ant", "cat", "cat", "ant", "bird"]
>>> y_pred = ["ant", "ant", "cat", "cat", "ant", "cat"]
>>> confusion_matrix(y_true, y_pred, labels=["ant", "bird", "cat"])
array([[2, 0, 0],
       [0, 0, 1],
       [1, 0, 2]])

En el caso binario, podemos extraer verdaderos positivos, etc. de la siguiente manera:

>>>>>> tn, fp, fn, tp = confusion_matrix([0, 1, 0, 1], [1, 1, 1, 0]).ravel()
>>> (tn, fp, fn, tp)
(0, 2, 1, 1)

Ejemplos usando `sklearn.metrics.confusion_matrix`¶

sklearn.metrics.confusion_matrix¶

Ejemplos usando sklearn.metrics.confusion_matrix¶

`sklearn.metrics`.confusion_matrix¶

Ejemplos usando `sklearn.metrics.confusion_matrix`¶