¿Cómo puedo interpretar la matriz de confusión de Sklearn?

Estoy usando la matriz de confusión para verificar el rendimiento de mi clasificador.

Estoy usando Scikit-Learn, estoy un poco confundido. ¿Cómo puedo interpretar el resultado de

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]])

¿Cómo puedo tomar la decisión de si estos valores pronosticados son buenos o no?

La matriz de confusión es una forma de tabular el número de clasificaciones erróneas, es decir, el número de clases predichas que terminaron en un contenedor de clasificación incorrecto basado en las clases verdaderas.

Si bien sklearn.metrics.confusion_matrix proporciona una matriz numérica, me resulta más útil generar un 'informe' usando lo siguiente:

import pandas as pd
y_true = pd.Series([2, 0, 2, 2, 0, 1, 1, 2, 2, 0, 1, 2])
y_pred = pd.Series([0, 0, 2, 1, 0, 2, 1, 0, 2, 0, 2, 2])

pd.crosstab(y_true, y_pred, rownames=['True'], colnames=['Predicted'], margins=True)

lo que resulta en:

Predicted  0  1  2  All
True                   
0          3  0  0    3
1          0  1  2    3
2          2  1  3    6
All        5  2  5   12

Esto nos permite ver que:

1. Los elementos diagonales muestran el número de clasificaciones correctas para cada clase: 3, 1 y 3 para las clases 0, 1 y 2.
2. Los elementos fuera de la diagonal proporcionan las clasificaciones erróneas: por ejemplo, 2 de la clase 2 se clasificaron erróneamente como 0, ninguno de la clase 0 se clasificó erróneamente como 2, etc.
3. El número total de clasificaciones para cada clase en ambos y_truey y_pred, de los subtotales "Todos"

Este método también funciona para etiquetas de texto, y para una gran cantidad de muestras en el conjunto de datos se puede ampliar para proporcionar informes porcentuales.

import numpy as np
import pandas as pd

# create some data
lookup = {0: 'biscuit', 1:'candy', 2:'chocolate', 3:'praline', 4:'cake', 5:'shortbread'}
y_true = pd.Series([lookup[_] for _ in np.random.random_integers(0, 5, size=100)])
y_pred = pd.Series([lookup[_] for _ in np.random.random_integers(0, 5, size=100)])

pd.crosstab(y_true, y_pred, rownames=['True'], colnames=['Predicted']).apply(lambda r: 100.0 * r/r.sum())

La salida entonces es:

Predicted     biscuit  cake      candy  chocolate    praline  shortbread
True                                                                    
biscuit     23.529412    10  23.076923  13.333333  15.384615    9.090909
cake        17.647059    20   0.000000  26.666667  15.384615   18.181818
candy       11.764706    20  23.076923  13.333333  23.076923   31.818182
chocolate   11.764706     5  15.384615   6.666667  15.384615   13.636364
praline     17.647059    10  30.769231  20.000000   0.000000   13.636364
shortbread  17.647059    35   7.692308  20.000000  30.769231   13.636364

donde los números ahora representan el porcentaje (en lugar del número de casos) de los resultados que se clasificaron.

Aunque tenga en cuenta que la sklearn.metrics.confusion_matrixsalida se puede visualizar directamente usando:

import matplotlib.pyplot as plt
conf = sklearn.metrics.confusion_matrix(y_true, y_pred)
plt.imshow(conf, cmap='binary', interpolation='None')
plt.show()

En el eje y, la matriz de confusión tiene los valores reales, y en el eje x los valores dados por el predictor. Por lo tanto, los recuentos en la diagonal son el número de predicciones correctas. Y los elementos de la diagonal son predicciones incorrectas.

En tu caso:

>>> confusion_matrix(y_true, y_pred)
    array([[2, 0, 0],  # two zeros were predicted as zeros
           [0, 0, 1],  # one 1 was predicted as 2
           [1, 0, 2]]) # two 2s were predicted as 2, and one 2 was 0

Me gustaría especificar gráficamente la necesidad de entender esto. Es una matriz simple que necesita ser bien entendida antes de llegar a conclusiones. Así que aquí hay una versión explicable simplificada de las respuestas anteriores.

        0  1  2   <- Predicted
     0 [2, 0, 0]  
TRUE 1 [0, 0, 1]  
     2 [1, 0, 2] 

# At 0,0: True value was 0, Predicted value was 0, - 2 times predicted
# At 1,1: True value was 1, Predicted value was 1, - 0 times predicted
# At 2,2: True value was 2, Predicted value was 2, - 2 times predicted
# At 1,2: True value was 1, Predicted value was 2, - 1 time predicted
# At 2,0: True value was 2, Predicted value was 0, - 1 time predicted...
...Like that