pycm

PyCM 项目介绍

PyCM 是一个用 Python 编写的多类别混淆矩阵库，它是一个数据科学家在使用预测模型进行分类后评估的多功能工具。这个库支持输入数据向量和直接矩阵形式，是用于评估大多数分类器的广泛统计参数的理想选择。

特色

• 多类别支持：PyCM 旨在支持多类别的混淆矩阵，这使得它非常适合用于处理复杂分类任务的数据科学项目。
• 丰富的统计参数：它能够计算大多数类的统计参数，如准确率、精确率、召回率等，为模型评估提供了强有力的支持。
• 灵活的数据输入方式：支持直接输入数据向量或者使用已经计算好的混淆矩阵。

安装指南

PyCM 可以通过多种方式进行安装：

• 使用 PyPI: 用户可以运行命令 pip install pycm==4.1 来进行安装。
• 源码安装: 可以下载版本 4.1或最新源码，然后运行 pip install .。
• Conda 方式: 首先更新 conda，然后使用 conda install -c sepandhaghighi pycm 命令安装。

使用方法

基于向量的使用

用户可以通过向量定义实际和预测值，进而生成混淆矩阵。例如：

from pycm import *
y_actu = [2, 0, 2, 2, 0, 1, 1, 2, 2, 0, 1, 2]
y_pred = [0, 0, 2, 1, 0, 2, 1, 0, 2, 0, 2, 2]
cm = ConfusionMatrix(actual_vector=y_actu, predict_vector=y_pred)
cm.print_matrix()
cm.stat(summary=True)

直接矩阵输入

用户还可以通过直接提供混淆矩阵数据结构的方法来使用 PyCM：

from pycm import *
cm2 = ConfusionMatrix(matrix={"Class1": {"Class1": 1, "Class2": 2}, "Class2": {"Class1": 0, "Class2": 5}})
cm2.print_matrix()
cm2.stat(summary=True)

可视化功能

从版本 3.0 开始，PyCM 提供了一个 plot 方法，允许用户使用 Matplotlib 或 Seaborn 绘制混淆矩阵：

cm.plot()

高级功能

PyCM 提供了高级功能，如 ROC 曲线、精确 - 召回曲线计算、参数推荐及多标签混淆矩阵支持，帮助用户更全面深刻地分析模型的能力。

支持与反馈

如果您在使用中遇到任何问题，可以通过以下方式获取帮助：

1. 在 GitHub 上提交问题
2. 加入 PyCM 的 Discord 社区
3. 访问 PyCM 网站
4. 通过电子邮件发送问题

在使用 PyCM 的过程中，您会发现这是一个强大而灵活的工具，尤其适用于需要评估复杂多类别分类器的项目。无论是简单的项目，还是需要进行高级分析的复杂任务，PyCM 都能够帮助您得到精准的结果。