sepandhaghighi/pycm
Multi-class confusion matrix library in Python
What it solves
PyCM 提供了一套全面的工具，用于评估分类模型的性能。它简化了创建混淆矩阵和计算广泛统计指标的过程，以确定模型在预测不同类别时有多准确，特别是在多类别场景下。
How it works
用户可以通过提供原始数据向量（实际值与预测值标签）或预先存在的矩阵来生成混淆矩阵。该库随后会为每个类别计算详细的统计数据（如 Accuracy, F1-score, Precision, 和 Recall），以及整体统计数据（如 Kappa 和 Macro-averaged metrics）。它还包括专门的工具用于绘制矩阵并生成性能曲线——包括 ROC, Precision-Recall, Precision, Recall, 和 F1 曲线——通过使用 "One vs. Rest" 策略将多类别输出二值化。
Who it’s for
它主要设计用于数据科学家和机器学习从业者，他们需要一个强大的 "swiss-army knife" 工具，用于预测模型的分类后评估。
Highlights
- Flexible Input: 支持输入数据向量和直接矩阵输入。
- Extensive Metrics: 提供广泛的类别特定和整体统计参数。
- Visualization: 使用 Matplotlib 或 Seaborn 的集成绘图功能。
- Advanced Analysis: 包括计算最佳阈值和生成各种性能曲线（ROC, PR, F1 等）的的工具。
- Interoperability: 支持 NumPy arrays 并可以与 MATLAB 集成。