關於多分類問題中的混淆矩陣，精准率
具體操作
（在notebook中）
使用手寫識別數據集，使用全部的樣本數據，不做限制，對數據進行分割，使用邏輯回歸算法，求解出准確度
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
digits = datasets.load_digits()
X = digits.data
y = digits.target
from sklearn.model_selection import train_test_split
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.8,random_state=666)
from sklearn.linear_model import LogisticRegression
log_reg = LogisticRegression()
log_reg.fit(X_train,y_train)
log_reg.score(X_test,y_test)
結果如下
進行預測
y_predict = log_reg.predict(X_test)
計算精准率，需要將average設置為micro
from sklearn.metrics import precision_score
precision_score(y_test,y_predict,average="micro")
結果如下
計算混淆矩陣（不用修改，其本身就可以計算多分類）
from sklearn.metrics import confusion_matrix
confusion_matrix(y_test,y_predict)
結果如下（10*10的矩陣）
繪制圖像，使用matshow來繪制一個矩陣，傳入參數為矩陣以及顏色的映射（設置為plt的灰度值）
cfm = confusion_matrix(y_test,y_predict)
plt.matshow(cfm,cmap=plt.cm.gray)
圖像如下（越亮越大，越小越黑）
對矩陣的處理，設置一個記錄行的樣本，按照列方向求和，設置一個的矩陣，使矩陣除以這行的數字和，將對角線的數字填充為0，然后輸出
row_sums = np.sum(cfm,axis=1)
err_matrix = cfm / row_sums
np.fill_diagonal(err_matrix,0)
err_matrix
結果如下（部分內容）
繪制矩陣
plt.matshow(err_matrix,cmap=plt.cm.gray)
圖像如下
這個結果反應的就是對於多分類問題來説，越亮代表犯錯越多，這樣就可以看到犯錯的情況，然后改進算法，修改域值來微調算法或是別的操作來優化，有可能不是算法的問題，可能是因為樣本問題
