Confusion Matrix ändert sich mit jeder Interaktion

Question

Ich baue eine Confusion Matrix für sechs Klassen und ich verwende scikit_learn confusion matrix als Basiscode zum Zeichnen der Matrix. Ich stehe vor dem Problem, dass, wenn ich den Linear SVM Classifier neu trainiere, die Confusion Matrix mit jeder Trainingseinheit geändert wird. Anzahl der vorhergesagten Etiketten bleibt gleich und nein. von echten Labels bleibt auch für jede Interaktion gleich. Ich kann nicht verstehen, warum Confusion Matrix sich so verändert. Die Diagonalelemente machen auch keinen Sinn.

Bitte führen Sie mich, was ich tun soll.

def plot_confusion_matrix(cm, title='Confusion matrix', cmap=plt.cm.Blues): 
    plt.imshow(cm, interpolation='nearest', cmap=cmap) 
    plt.title(title) 
    plt.colorbar() 
    tick_marks = np.arange(6) 
    plt.xticks(tick_marks, names, rotation=45) 
    plt.yticks(tick_marks, names) 
    plt.tight_layout() 
    plt.ylabel('True label') 
    plt.xlabel('Predicted label') 
    # this is the main function i am using 
    # here names is a list of six titles e.g. names = ['a', 'b', 'c', 'd', 'e', 'f'] 


#Following is the code that I am using to call the function 
cm = confusion_matrix(labels_test, predicted) 
np.set_printoptions(precision=2) 
print('Confusion matrix, without normalization') 
print(cm) 
plt.figure() 
plot_confusion_matrix(cm) 
cm_normalized = cm.astype('float')/cm.sum(axis=1)[:, np.newaxis] 
print('Normalized confusion matrix') 
print(cm_normalized) 
plt.figure() 
plot_confusion_matrix(cm_normalized, title='Normalized confusion matrix') 
plt.show() 

Answer 1

Eine Verwirrung Matrix ermöglicht es Ihnen, zu verstehen, wo ist Ihr Klassifikator gut tun (true positive) und wo es nicht (False Positive).

Die Diagonalen einer Konfusionsmatrix geben an, wie oft eine bestimmte Klasse korrekt klassifiziert wurde (True positive).

Scheint so, als ob Ihr Klassifikator von der Iteration abweicht, wenn Sie Ihren Datensatz neu trainieren. Daher kann die Anzahl der echten positiven/falschen positiven/echten negativen/falschen negativen Werte unterschiedlich sein.