Se você já treinou um modelo de classificação supervisionado antes, provavelmente se deparou com uma matriz de confusão.

Muitas pessoas sabem como calcular a matriz de confusão para classificação binária ou multiclasse , mas ficam um pouco confusas com a classificação multirrótulo . Neste artigo, mostrarei duas maneiras de gerar uma matriz de confusão para classificação multirrótulo.

Uma matriz de confusão é uma métrica frequentemente usada para medir o desempenho de um modelo de classificação. Ao contrário da precisão, ele fornece uma representação real do desempenho do modelo, especialmente nos casos em que os dados estão desequilibrados. Por exemplo, vamos pegar o popular conjunto de dados MNIST para classificação binária. A matriz de confusão mostrará o número de vezes que uma instância de um dígito foi classificada corretamente ( verdadeiro positivo ) e a quantidade de vezes que foi classificada incorretamente ( falso negativo ).

O que é uma classificação multirrótulo?

Uma classificação multirrótulo é aquela em que a saída pode ser um único rótulo ou vários rótulos. Por exemplo, se você tiver uma imagem com um cachorro, um gato e um cavalo, e seu modelo for treinado para identificar os três animais em sua imagem, o modelo está realizando a classificação multirrótulo

Vamos entrar em nossa matriz de confusão multirótulo. Supondo que você tenha uma classificação multirrótulo de quatro condições de saúde. 1 representa a presença da doença e 0representa a ausência da doença.

Método 1

O primeiro método envolve o uso do método de matriz de confusão multirótulo do sklearn.

A matriz de confusão multirrótulo funciona tomando as colunas correspondentes dos valores verdadeiros e previstos. A matriz de confusão é então calculada nas duas matrizes.

Método 2

Isso envolve a iteração pela matriz de confusão normal para o nnúmero de classificação binária de vezes, onde nrepresenta o número de classes.

Ambos os métodos funcionam da mesma maneira e produzirão o mesmo resultado. Sinta-se à vontade para usar qualquer método que seja conveniente para você.

Tudo de bom enquanto você constrói seu modelo de classificação!