다중 클래스의 혼동행렬(confusion matrix) 구하기 - multilabel_confusion_matrix

다중클래스의 혼동행렬(confusion matrix)을 구하여 클래스별 민감도(sensitivity)와 특이도(specificity)를 구하는 예제코드입니다.

2022. 03. 12  최초작성 

from sklearn.metrics import multilabel_confusion_matrix y_true = [0, 1, 2, 0, 1] y_pred = [0, 1, 2, 2, 0] ret = multilabel_confusion_matrix(y_true, y_pred, labels=[0, 1, 2]) tn0, fp0, fn0, tp0 = ret[0].ravel() tn1, fp1, fn1, tp1 = ret[1].ravel() tn2, fp2, fn2, tp2 = ret[2].ravel() sensitivity0 = tp0/(tp0 + fn0) # 민감도 label 0 specificity0 = tn0/(tn0 + fp0) # 특이도 label 0 sensitivity1 = tp1/(tp1 + fn1) # 민감도 label 1 specificity1 = tn1/(tn1 + fp1) # 특이도 label 1 sensitivity2 = tp2/(tp2 + fn2) # 민감도 label 2 specificity2 = tn2/(tn2 + fp2) # 특이도 label 2 print('label 0 : tn, fp, fn, tp ', tn0, fp0, fn0, tp0 ) print('label 1 : tn, fp, fn, tp ', tn1, fp1, fn1, tp1 ) print('label 2 : tn, fp, fn, tp ', tn2, fp2, fn2, tp2 ) print('label 0 : sensitivity {:.4f} specificity {:.4f}'.format(sensitivity0, specificity0)) print('label 1 : sensitivity {:.4f} specificity {:.4f}'.format(sensitivity1, specificity1)) print('label 2 : sensitivity {:.4f} specificity {:.4f}'.format(sensitivity2, specificity2))

실행 결과입니다.

 

label 0 : tn, fp, fn, tp  2 1 1 1

label 1 : tn, fp, fn, tp  3 0 1 1

label 2 : tn, fp, fn, tp  3 1 0 1

label 0 : sensitivity 0.5000 specificity 0.6667

label 1 : sensitivity 0.5000 specificity 1.0000

label 2 : sensitivity 1.0000 specificity 0.7500

라벨 0의 경우만 설명하면 이때  positive가 0이고 negative가 0이 아닌 숫자입니다

 

따라서 

 

true negative는 두가지 (negative -> negative)

y_true = [0, 1, 2, 0, 1]

y_pred = [0, 1, 2, 2, 0]

 

false positive는 한가지 ( negative -> positive )

y_true = [0, 1, 2, 0, 1]

y_pred = [0, 1, 2, 2, 0]

 

false negative는 한가지 ( positive -> negative )

y_true = [0, 1, 2, 0, 1]

y_pred = [0, 1, 2, 2, 0]

 

true positive는 한가지 ( positive -> positive )

y_true = [0, 1, 2, 0, 1]

y_pred = [0, 1, 2, 2, 0]

참고

 

https://scikit-learn.org/stable/modules/generated/sklearn.metrics.multilabel_confusion_matrix.html