Click HERE to read the original article in English.

深入理解机器学习中的混淆矩阵

"混淆矩阵是判断分类模型表现的一种简单易行的方法。" — Diara Bell

混淆矩阵简介

在今天的讨论中，我们深入探讨混淆矩阵，这是一种在机器学习中评估分类模型性能的关键工具。无论是 logistic regression、naive Bayes、support vector machines 还是 decision trees，分类模型都在将数据分类中扮演着不可或缺的角色。

来自 IBM 的 AI 工程师 Diara Bell 分享了她使用 Scikit Learn 构建 二元分类器模型 的见解和专业知识。在整个过程中，她展示了如何开发混淆矩阵以 评估模型结果。本指南将引导您了解她的过程——并详细探讨涉及的各个阶段。

构建二元分类器模型

视频开始于设置 Jupyter Notebook 环境，其中导入了所需的库，如 Scikit Learn、Pandas、Matplotlib 等，用于加载数据、处理指标以及可视化数组。

设置模型的步骤

1. 数据导入：利用来自 Scikit Learn 的 load_breast_cancer 数据集，展示分类模型在区分恶性和良性细胞样本中的应用。
2. 创建 DataFrame：使用 Pandas 可视化数据集。前几行显示了各种细胞特征及其分类（0 表示恶性，1 表示良性）。
3. 配置目标标签：添加新列 'target' 以表示模型训练的 结果。

数据准备

• 划分数据：将数据分为 X（特征）和 Y（目标标签）值，便于将变量引入模型。
  • X 包含所有特征。
  • Y 包含用于预测的目标标签。
• 训练和测试集：使用 train_test_split 进行 75-25 的划分，确保全面评估。

数据预处理

信号压缩为 0 和 1 是至关重要的，这通过 `sigmoid function` 实现。

强调了模型缩放的重要性，引入了 StandardScaler 来调整训练和测试数据。

模型训练

由于数据范围相对较小，训练 logistic regression 模型的过程进展顺利：

• 模型拟合：只需一行代码，便可使用经过缩放的 X-train 和 Y-train 拟合 logistic regression 模型。
• 混淆矩阵生成：在此基础上，程序立即生成初始混淆矩阵——理解分类效率的关键所在。

分析混淆矩阵

数值显示

出现一个整数数组，激发对真正阳性、真正阴性、假阳性和假阴性的检验。

1. 真正阳性（左上方块）：正确识别的恶性样本。
2. 真正阴性（右下方块）：正确的良性预测。
3. 假阳性（左下方块）：误将良性标记为恶性。
4. 假阴性（右上方块）：将恶性样本误归类为良性——尤其在医疗模型中，这具有重大风险。

图形表示

通过 Matplotlib 对这些类别进行更直观的探索，揭示每个属性在矩阵中的角色。

通过指标评估模型成功

除了矩阵，进一步评估还需要计算性能指标：

• 准确性：正确预测与总预测的比例。
• 精确度：模型预测阳性的准确性。
• 召回率：相对真实阳性实例做出的真正阳性预测的比例。

结果与解释

• 准确率：95%—表明模型运作良好。
• 精确度：94%—确认在阳性预测中的可靠性。
• 召回率：97%—表示在正确识别阳性标签方面的能力。

结论：前进的方向

Diara Bell 的讲座总结了构建、分析和解读机器学习中混淆矩阵的全过程。从二元分类器的决策边界到充满洞察力的可视化，所分享的知识鼓励进一步的好奇心和探索。

关键要点

通过理解混淆矩阵，开发者可以：

• 提升机器学习模型的性能水平。
• 确保在医疗等敏感应用中的精确性。

"创建具有更高性能指标的模型，这对用于医疗的机器学习模型尤其有帮助。" – Diara Bell

下一步

根据指标的建议对模型进行微调或调整训练过程，能够实现持续改进。

有关机器学习和人工智能的更多见解，Diara 鼓励大家进行探索和评论。

祝编码愉快！

Midjourney prompt for the cover image: A dynamic and colorful sketch illustration of a confusion matrix, surrounded by symbols representing machine learning, data science, and classification models, in a futuristic digital setting from an overhead angle, evoking a sense of insight and advancement, Sketch Cartoon Style.