import pandas as pd import seaborn as sns import matplotlib.pyplot as plt from sklearn import metrics import numpy as np confusion_matrix = pd.crosstab(Y_test, Y_predicted, rownames=['Expected'], colnames=['Predicted'], margins=True)
sns.heatmap(confusion_matrix, annot=True, fmt='d') plt.show()
accuracy = np.trace(confusion_matrix) / float(np.sum(confusion_matrix))
Bizim projede Y_predicted adlı değişen yok maalesef.Aşağıdaki kodları kullanabilirsiniz.
İlk olarak, aşağıdaki libleri import etmeniz gerekiyor:
import pandas as pd import seaborn as sns import matplotlib.pyplot as plt from sklearn import metrics import numpy as np
Ardından, karışıklık matrixi şu şekilde hesaplamanız gerekir:
Python:confusion_matrix = pd.crosstab(Y_test, Y_predicted, rownames=['Expected'], colnames=['Predicted'], margins=True)
Karışıklık matrixinizi seaborn ve matplotlib kullanarak da şu şekilde görselleştirebilirsiniz:
Python:sns.heatmap(confusion_matrix, annot=True, fmt='d') plt.show()
Ve son olarak, accuracy'i şu şekilde hesaplamanız gerekir:
Python:accuracy = np.trace(confusion_matrix) / float(np.sum(confusion_matrix))
Precision , recall ve f1 score gibi diğer metricleri de hesaplayabilirsiniz.
Bu sitenin çalışmasını sağlamak için gerekli çerezleri ve deneyiminizi iyileştirmek için isteğe bağlı çerezleri kullanıyoruz.