Metriken

Confusion Matrix

---

Confusion Matrix Theorie

Import

---

from sklearn.metrics import confusion_matrix

Erstellen

---

confusion_matrix(
	y_true: ArrayLike,  
	y_pred: ArrayLike,  
	*,  
	labels: ArrayLike | None = None,  
	sample_weight: ArrayLike | None = None,  
	normalize: Literal['true', 'pred', 'all'] | None = None
)

Parameter

Parameter	Bedeutung	Mögliche Werte
y_true	Korrekte Klassen	Array
y_pred	Von dem Modell vorhergesagte Klassen	Array
labels	Angabe der Reihenfolge der Klassen	Array / None
sample_weight		Array / None
normalize	Normalisiert die Ergebnisse über die Wahre ("true"), vorhergesagte ("pred") oder alle ("all") Werte	"true" / "pred" / "all" / None
Beispiel:

# y Hier berechnen
confusion_matrix = confusion_matrix(y_test, clf.predict(x_test))
# y Bereits berechnet
cm = confusion_matrix(y_test, y_pred)

Visualisierung

---

from sklearn.metrics import ConfusionMatrixDisplay
ConfusionMatrixDisplay(confusion_matrix=confusion_matrix).plot()

Accuracy

---

Accuracy Theorie

# Import des Accuracy Score
from sklearn.metrics import accuracy_score
 
# Erstellen der Accuracy
accuracy_score(y_true, y_pred, normalize=True, sample_weight=None) 

Parameter	Bedeutung	Mögliche Werte
y_true	Korrekte Klassen	Array
y_pred	Von dem Modell vorhergesagte Klassen	Array
normalize	False: gibt die Nummer der Korrekt Klassifizierten zurück True: Gibt den Anteil der korrekt Klassifizierten zurück	True / False
sample_weight		Array / None

Precision

---

Precision Theorie

# Importieren des Precision Score
from sklearn.metrics import precision_score
 
# Erstellen der Precision
precision_score(y_true, y_pred, labels=None, pos_label=1, average='binary', sample_weight=None, zero_division='warn')

Parameter	Bedeutung	Mögliche Werte
y_true	Korrekte Klassen	Array
y_pred	Von dem Modell vorhergesagte Klassen	Array
labels	Reihenfolge der Klassen	Array / None
pos_Label	Die Klasse die verwendet werden soll	float
sample_weight		Array / None

Recall

---

Recall Theorie

# Importieren des Recall Score
from sklearn.metrics import recall_score 
 
# Erstellen der Recall
recall_score(y_true, y_pred, labels=None, pos_label=1, average='binary', sample_weight=None, zero_division='warn')

Parameter	Bedeutung	Mögliche Werte
y_true	Korrekte Klassen	Array
y_pred	Von dem Modell vorhergesagte Klassen	Array
labels	Reihenfolge der Klassen	Array / None
pos_Label	Die Klasse die verwendet werden soll	float
sample_weight		Array / None

F1 Score

---

F1 Score Theorie

# Importieren des F1-Score
from sklearn.metrics import f1_score
 
# Erstellen der Recall
f1_score(y_true, y_pred, labels=None, pos_label=1, average='binary', sample_weight=None, zero_division='warn')

Parameter	Bedeutung	Mögliche Werte
y_true	Korrekte Klassen	Array
y_pred	Von dem Modell vorhergesagte Klassen	Array
labels	Reihenfolge der Klassen	Array / None
pos_Label	Die Klasse die verwendet werden soll	float
sample_weight		Array / None