混淆矩阵 python,多分类的混淆矩阵

　　本文主要介绍两种多分类混淆矩阵的Python实现。有需要的朋友可以借鉴一下，希望能有所帮助。祝大家进步很大，早日升职加薪。

　　00-1010 1.什么是混淆矩阵2，分类模型的评价指标3，两种多分类混淆矩阵3.1？直接打印出每个类别的分类准确率。3.2打印具体分类结果的数值4。总结一下。

　　在深度学习中，混淆矩阵是绘制ROC曲线的基础，也是衡量分类模型准确性的最基本、最直观、最简单的方法。它可以直观地了解分类模型在每一类样本中的表现，经常作为模型评估的一部分。它可以很容易地指出多个类之间是否存在混淆(即一个类被预测为另一个类)。

　　首先，我们必须澄清几个概念：

　　或者t:样本是否被正确分类。

　　或者p:样本是阳性还是阴性。

　　真正(TP):预测正确；模型也是正例，样本的真类别是正例，真负例(TN):正确预测：模型预测负例，样本的真类别是负例，假正例(FP):预测误差：模型预测正例，样本的真类别是负例，假负例(FN):预测误差；模型预测为负例，样本真实类别为正例。将这四个指标一起呈现在一个表格中，就可以得到下面这个矩阵，我们称之为混淆矩阵。在这里，我从其他文章里偷了一张图：

　　在混合线矩阵中，对角线是分割线。上图就是一个例子：对角线位置表示预测正确，对角线外的位置表示该样本被错误预测为其他样本。

1、什么是混淆矩阵

　　从混淆矩阵中，可以直观地看到各个参数的数值。准确率是模型预测对在所有模型预测为正的样本中所占的比例，即“分类器认为是正的且为正的部分占所有分类器认为是正的比例”。计算公式如下：

　　F1分数指示器结合了精确度和召回率的输出结果。f1-得分范围从0到1，1代表模型的最佳输出，0代表模型的最差输出。计算公式如下：

　　除了F1分，F2分和F0.5分在统计中也有广泛应用。其中，在F2评分中，召回率的权重高于精确率的权重，而在F0.5评分中，精确率的权重高于召回率的权重。

2、分类模型评价指标

　　多分类混淆矩阵可以根据不同的要求绘制不同的矩阵：

　　1.直接打印出每个类别的分类准确率。

　　2.打印具体分类结果的数值，便于各种指标的数据分析和计算。

　　在介绍具体代码之前，先介绍一下混淆_矩阵()函数，这是Python中sklearn库提供的输出矩阵数据的方法：

　　定义混淆矩阵(y_true，y_pred，labels=None，sample_weight=None):

　　参数含义：

　　Y _ true3360是样本的真实分类结果，y _ pred3360是样本的预测分类结果y _ pred:预测结果标签:给定类别，通过它可以选择类别sample_weight :样本权重

3、两种多分类混淆矩阵

　　#显示混淆矩阵

　　定义绘图_混淆(模型，x _值，y _值):

　　#获得预测结果

　　预测=预测(模型，x_val)

　　#获得真正的标签

　　true label=y _ val . arg max(axis=-1)#将one-hot转换为标签

　　cm=混淆矩阵

　　(y_true=truelabel, y_pred=predictions)

　　 plt.figure()

　　 # 指定分类类别

　　 classes = range(np.max(truelabel)+1)

　　 title=Confusion matrix

　　 #混淆矩阵颜色风格

　　 cmap=plt.cm.jet

　　 cm = cm.astype(float) / cm.sum(axis=1)[:, np.newaxis]

　　 plt.imshow(cm, interpolation=nearest, cmap=cmap)

　　 plt.title(title)

　　 plt.colorbar()

　　 tick_marks = np.arange(len(classes))

　　 plt.xticks(tick_marks, classes, rotation=45)

　　 plt.yticks(tick_marks, classes)

　　 thresh = cm.max() / 2.

　　 # 按照行和列填写百分比数据

　　 for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])):

　　 plt.text(j, i, {:.2f}.format(cm[i, j]), horizontalalignment="center",

　　 color="white" if cm[i, j] > thresh else "black")

　　 plt.tight_layout()

　　 plt.ylabel(True label)

　　 plt.xlabel(Predicted label)

　　 plt.show()

3.2打印具体的分类结果的数值

# 显示混淆矩阵
　　def plot_confuse_data(model, x_val, y_val):
　　 classes = range(0,6)
　　 predictions = predict(model,x_val)
　　 truelabel = y_val.argmax(axis=-1) # 将one-hot转化为label
　　 confusion = confusion_matrix(y_true=truelabel, y_pred=predictions)
　　 #颜色风格为绿。。。。
　　 plt.imshow(confusion, cmap=plt.cm.Greens)
　　# ticks 坐标轴的坐标点
　　# label 坐标轴标签说明
　　 indices = range(len(confusion))
　　# 第一个是迭代对象，表示坐标的显示顺序，第二个参数是坐标轴显示列表
　　 plt.xticks(indices, classes)
　　 plt.yticks(indices, classes)
　　 plt.colorbar()
　　 plt.xlabel(Predicted label)
　　 plt.ylabel(True label)
　　 plt.title(Confusion matrix)
　　# plt.rcParams两行是用于解决标签不能显示汉字的问题
　　 plt.rcParams[font.sans-serif]=[SimHei]
　　 plt.rcParams[axes.unicode_minus] = False
　　# 显示数据
　　 for first_index in range(len(confusion)): #第几行
　　 for second_index in range(len(confusion[first_index])): #第几列
　　 plt.text(first_index, second_index, confusion[first_index][second_index])
　　# 显示
　　 plt.show()

4、总结

　　1、混淆矩阵是深度学习中分类模型最常用的评估指标。网上大部分都是显示各类的分类正确率，不够灵活。显示具体数值灵活性大，可以计算自己想要的指标。

　　2、多分类的混淆矩阵中查准率为主对角线上的值除以该值所在列的和；召回率等于主对角线上的值除以该值所在行的和。

　　以上就是Python实现两种多分类混淆矩阵的详细内容，更多关于Python多分类混淆矩阵的资料请关注盛行IT软件开发工作室其它相关文章！

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。