源代码算法结合混淆矩阵实现方法-peaker.pdfVIP

#源代码#SVM算法结合矩阵实现方法

Peaker

在处理高通量数据的过程中，我们经常需要借助各种分类模型实

现对数据的分类预测，对于预测结果我们有一些打分或评价方法来评

估模型的预测效能和稳定性等。其中一个最简单的方法就是预测精度，

通过Python的sklearn库可以调用专门用于计算预测精度的得分，可

以通过如下语句调用函数

fromsklearn.metricsimportaccuracy_score

然后我们对模型进行预测，获得两个集合，分别是y_true,y_pred，代表

的是预测集的真是和预测，然后根据这两个列表计算精度，

score=accuracy_score(y_true,y_pred)，score即为预测出的精度。

然而利用accuracy_score函数评价模型的预测精度有时候略显简

单，因为我们无法详细的知道各个类别组分的样本具体的预测情

况，例些模型往往对于某一类的样本预测效果较好，而对于另一

类样本预测效果一般，通过accuracy_score难以评价这一情况。这时候

就可以利用confusionmatrix矩阵来进行分析。

矩阵是一种可以直观的比较predictedlabel和observedlabel

的矩阵形式，行和列分别代表不同label样本，通过比较predicted和

observedlabel，就可以直观的看出模型对于每一类的样本所预测的精

度结果。具体的实现方法如下

第一步：导入测试数据

数据格式为矩阵形式，横轴为label，纵轴为feature，如下所示

第二步：构建分类模型

我们采用SVM分类器，利用linear线性核函数进行分类，注意一点，

这里采用shuffle函数对样本进行随机化处理，对样本重新排序，然后

在构建分类器，代码如下

第三步：LOO交叉验证

利用留一法LeaveOneOut(LOO)分割样本，每次取一个样本为测试集，

其他的样本为训练集。对于每次循环够构建一次分类器，然后对于一

个样本进行预测，方法如下

第四步：计算confusionmatrix

这里我们已经利用SVM分类器通过LOO法对所有样本进行预测，接下

来我们通过confusionmatrix对数据进行整理分析，代码如下

我们通过printclassification_report(y_true,y_pred,

target_names=target_names)语句输出report结果。

代码输出结果如下所示

第五步：confusionmatrix可视化

最后矩阵进行可视化分析，使得用户可以更直观的看出每

个分类的预测精度高低。

输出结果如下所示

喜欢本文吗？欢迎加入云生信跟大家一起进步~