Дискретизация непрерывных данных в столбцы для матрицы путаницы

Цель состоит в том, чтобы создать матрицу путаницы для выбранного столбца модели и сравнить ее с истинным столбцом путем дискретизации значений по областям.

У меня есть большой набор данных, в котором я построил большое количество моделей и создал прогнозы (modelx) и истинные значения (true), которые напоминают следующие модели:

Значения обеих моделей и истинного столбца находятся между [0,1]. Я хочу создать функцию, в которой я могу указывать регионы (например: [0, 0,25, 0,5, 0,75, 1]) и дискретизировать выбранную модель (столбец) в двоичные значения (если не будет работать категориальная строка), независимо от того, будут ли значения находятся в пределах региона или нет.

В приведенном выше примере у меня есть четыре области, и отсюда я хотел бы создать матрицу путаницы выбранной модели.

Почему в Python есть оператор "pass"?
Почему в Python есть оператор "pass"?
Оператор pass в Python - это простая концепция, которую могут быстро освоить даже новички без опыта программирования.
Некоторые методы, о которых вы не знали, что они существуют в Python
Некоторые методы, о которых вы не знали, что они существуют в Python
Python - самый известный и самый простой в изучении язык в наши дни. Имея широкий спектр применения в области машинного обучения, Data Science,...
Основы Python Часть I
Основы Python Часть I
Вы когда-нибудь задумывались, почему в программах на Python вы видите приведенный ниже код?
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
Алиса и Боб имеют неориентированный граф из n узлов и трех типов ребер:
Оптимизация кода с помощью тернарного оператора Python
Оптимизация кода с помощью тернарного оператора Python
И последнее, что мы хотели бы показать вам, прежде чем двигаться дальше, это
Советы по эффективной веб-разработке с помощью Python
Советы по эффективной веб-разработке с помощью Python
Как веб-разработчик, Python может стать мощным инструментом для создания эффективных и масштабируемых веб-приложений.
0
0
1 017
1
Перейти к ответу Данный вопрос помечен как решенный

Ответы 1

Ответ принят как подходящий

Вот одно из решений — используйте pd.cut:

import pandas as pd
import 
from sklearn.metrics import confusion_matrix
import plotly.express as px    

df = pd.DataFrame(np.random.random((100,7)), columns = [j for j in range(6)] + ["true"])

df_binned = pd.DataFrame()
for col in df.columns:
    df_binned[col] = pd.cut(df[col], bins=[0,0.25, 0.5, 0.75, 1.0], labels=list("lmhs"))

# generate confusion matrix 
cm = confusion_matrix(y_true=df_binned.true, y_pred=df_binned[0])

# plot
px.imshow(cm).show()

Другие вопросы по теме