混淆矩阵分类精度评价与提高,混淆矩阵精确率

　　真定位(TP):实际上是正示例，并且被预测为正示例

　　FP(假定位) :实际上是反例，但被预测为正例

　　真否定(TN):实际上是反例，并且被预测为反例

　　fn(假否定) :实际上是正的，但被预测为反的

　　准确率=TP/(TPFP))。

　　召回率=TP/(TPfn))。

　　# coding=utf-8 importmatplotlib。pyplotmportnumpyasnpconfusion=NP。array(0，0)，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，200] ) classes=[1 ， 2 ， 3其他不同颜色的PLT.imshow(confmatrix，可以设置cmap=plt.cm.Blues ) #刻度坐标轴的坐标点#标签坐标轴标签说明指数=范围(长度)配置矩阵。第二个参数是坐标轴显示列表# PLT.x [ 0，1，2 ])分笔成交点指数，作为类别)的班级。颜色条(PLT.xlabel预测值)plt.ylabel真值)(工厂名称混淆矩阵)# plt.rcParams两行是PLT。RC params[轴。unicode _ MINUS ]=false #显示数据for first _ index in range(len(conf matrix))第几行的一秒钟显示数据第几列if first _ index==second _ index 3360 PLT conf matrix[first _ index][second _ index]，va=center ，ha= cecex color= white )else 3360 PLT。text ext conf matrix[first _ index][second _ index]，va=center ，在ha=center ) matlab中直接针对矩阵使用图像c(混淆)plt.show ) #可以显示计算精度defcalculate _ all _ prediction)配置矩阵)30的对角线上的所有值总计：return: total _ sum=conf矩阵。s surix float(total _ sum)是， 2 )计算每个打印（精度：(字符串(预测)%)defcalculate _ lable _ prediction(conf matrix)3360))类别的预测精度：总和(轴=1) [ I ]标签_正确_总和=确认矩阵)65浮动（标签_正确_总和)/2)打印（准确率： )类[ I ](:)字符串(预测)%))def calculate _ label _ recall(conf matrix)33666 label _ correct _ sum=conf matrix[I][I]prediction=loat(label _ total _ sum)表示2)打印（召回率：(类别

　　e:\ Anaconda \ python.exe e:/classificationofnetwork/z . other/模糊矩阵 py 准确率：1:100.0%准确率：2:100.0%准确率：100.0 %准确率：4:99.5%准确率：5:100.0 %准确率：633606 度率：9:100.0%准确率：10:99.5%准确率：100.0%准确率：123:99.5 %准确率：13:98.5%准确率60100.0 %召回率6099.5%召回率：100.0 %召回率：4:100.0%召回率：5:100.0 %召回率：63363600.0%召回率33363600 33600 33606 召回率：10:100.0 %召回率：11:100.0%召回率：12:100.0 %召回率：13360100.0 %

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。

相关文章阅读