【np.bincount】np.bincount()用在分割领域生成混淆矩阵

这篇具有很好参考价值的文章主要介绍了【np.bincount】np.bincount()用在分割领域生成混淆矩阵。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

1 混淆矩阵定义

混淆矩阵:Confusion Matrix,用于直观展示每个类别的预测情况,能从中计算准确率(Accuracy)、精度(Precision)、召回率(Recall)、交并比(IoU)。

混淆矩阵是n*n的矩阵(n是类别),对角线上的是正确预测的数量。

每一行之和是该类的真实样本数量,每一列之和是预测为该类的样本数量。
【np.bincount】np.bincount()用在分割领域生成混淆矩阵

2 np.bincount()函数解读

返回从0到 array中最大值 每个数出现的次数

np.bincount(array, minlength)
	minlength:限制返回列表的最小长度,不够用0

举例:

if __name__=='__main__':
    import numpy as np

    x = np.array([1,3,3,4,5,4,7])
    x_True_False1 = np.array([True,True,True,True,True,True,True])
    x1 = x[x_True_False2]	# [3 3 4 5 4 7]
    x_True_False2 = np.array([True,True,True,True,True,True,True])
    x = x[x_True_False2]
    print(x)                # [1 3 3 4 5 4 7]

    y = np.bincount(x)      # 返回从0到输入array中最大值 每个数出现的次数
    print(y)                # [0 1 0 2 2 1 0 1]
    z = np.bincount(x, minlength=9)     # minlength限制返回列表的最小长度,长度不够,0来凑
    print(z)                # [0 1 0 2 2 1 0 1 0]
    print(z.reshape(3,3))
    """
    [[0 1 0]
     [2 2 1]
     [0 1 0]]
    """

3 生成混淆矩阵

在这里,x和x_label的位置可以交换,但理解方式就不同了,要注意!

if __name__=='__main__':
    x = np.array([1,3,3,4,5,4,7])
    x_label = np.array([1,3,3,4,5,5,7])     # 假设有10类
    print(np.bincount(10*x.astype(int)+x_label, minlength=10**2).reshape(10,10))
    """
    [[0 0 0 0 0 0 0 0 0 0]
     [0 1 0 0 0 0 0 0 0 0]
     [0 0 0 0 0 0 0 0 0 0]
     [0 0 0 2 0 0 0 0 0 0]
     [0 0 0 0 1 1 0 0 0 0]
     [0 0 0 0 0 1 0 0 0 0]
     [0 0 0 0 0 0 0 0 0 0]
     [0 0 0 0 0 0 0 1 0 0]
     [0 0 0 0 0 0 0 0 0 0]
     [0 0 0 0 0 0 0 0 0 0]]
    """

假设n=10,有10类,
对于预测正确的像素来说,n * x + x_label就是对角线的值
很明显,非对角线上的那个就是预测错的,它把5预测成了4,为什么出现在那个位置:
10*4+5=45,出现在第5行第6列(注意索引和类别的关系!)文章来源地址https://www.toymoban.com/news/detail-409916.html

4 感谢链接

https://www.jianshu.com/p/42939bf83b8a

到了这里,关于【np.bincount】np.bincount()用在分割领域生成混淆矩阵的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 语义分割混淆矩阵、 mIoU、mPA计算

    需要会调试代码的人自己改,小白直接运行会出错 这是我从自己的大文件里摘取的一部分代码,可以运行,只是要改的文件地址path比较多,遇到双引号“”的地址注意一下,不然地址不对容易出错  把 calculate.py和 utiles_metrics.py放在同一文件夹下,然后运行 calculate.py。 g

    2024年02月16日
    浏览(36)
  • 混淆矩阵的生成

    混淆矩阵(Confusion Matrix)是一个二维表格,常用于评价分类模型的性能。在混淆矩阵中,每一列代表了预测值,每一行代表了真实值。因此,混淆矩阵中的每一个元素表示了一个样本被预测为某一类别的次数。混淆矩阵的构成如下: 预测值=正例 预测值=反例 真实值=正例 T

    2023年04月18日
    浏览(38)
  • 图像分类 图像分割的评价指标(混淆矩阵 正确率 精准率 召回率 F1分数 IOU dice系数)

             在图像分类或者图像分割中,为 评价模型的预测效果 ,在训练过程中通常需要比较预测值与真实标签值的差距,即误差。 目录 图像分类过程的评价指标 混淆矩阵 正确率/准确率 精准率 召回率 F1分数 图像分割过程的评价指标 混淆矩阵 混淆矩阵的生成代码 IO

    2024年01月22日
    浏览(42)
  • VR全景图比平面图多了哪些优势,VR全景可以用在哪些领域

    引言: 在数字化时代,虚拟现实(VR)全景图成为了一种能在互联网上体验现实景观的新型展示形式,相对于传统图片,它在各行业都有显著的优势。 一.VR全景图带来的优势 1.更真实的体验 VR全景图能够提供更加真实的视觉体验。与传统图片不同,VR全景图允许观众以720度的

    2024年02月07日
    浏览(42)
  • python中使用numpy包的向量矩阵相乘np.dot和np.matmul

    一直对np的线性运算不太清晰,正好上课讲到了,做一个笔记整个理解一下  在numpy中,一重方括号表示的是向量vector,vector没有行列的概念。二重方括号表示矩阵matrix,有行列。 代码显示如下: 即使[1,2,3]、[[1,2,3]]看起来内容一样 使用过程中也会有完全不一样的变化。下面

    2024年01月25日
    浏览(43)
  • 混淆矩阵——矩阵可视化

    相关文章 混淆矩阵——评估指标计算 混淆矩阵——评估指标可视化 正例是指在分类问题中,被标记为目标类别的样本。在二分类问题中, 正例(Positive) 代表我们感兴趣的目标,而另一个类别定义为 反例(Negative) 举个栗子🌰,我们要区分苹果🍎和凤梨🍐。我们 想要

    2024年02月04日
    浏览(55)
  • [Python中矩阵上下左右翻转(np.flip)]

    [Python中矩阵上下左右翻转(np.flip)] 现代编程语言和相关库的发展,使得数值计算和数据处理变得更加便捷和高效。在Python中,NumPy库是众多数据科学和工程应用领域的重要支撑之一。其中,np.flip函数可以用于进行矩阵的上下左右翻转操作,是我们在处理图像、信号、物理模

    2024年02月12日
    浏览(45)
  • 混淆矩阵(听课笔记)

    混淆矩阵是评判模型结果的一种指标,属于模型评估的一部分,常用于评判分类器模型的优劣。 混淆矩阵常用于验证集中,横坐标True Labels对应真实类别,纵坐标Predicted Labels对应网络的预测类别。 对角线上的数值代表预测正确的样本个数。我们期望在网络预测过程中,尽可

    2024年02月08日
    浏览(41)
  • 利用python绘制混淆矩阵

    利用python绘制混淆矩阵,直接附代码。 简单理解混淆矩阵的元素含义,例如下面第一行第二个的“3”表示实际标签为类别0的预测成类别1的有3个样本。 附效果图: 如果需要切换不同的颜色,如:

    2024年02月16日
    浏览(47)
  • 混淆矩阵含义及作用

    在机器学习领域, 混淆矩阵(Confusion Matrix) ,又称为可能性矩阵或错误矩阵。混淆矩阵是可视化工具,特别用于监督学习,在 无监督学习 一般叫做 匹配矩阵 。在图像精度评价中,主要用于比较分类结果和实际测得值,可以把分类结果的精度显示在一个混淆矩阵里面 混淆

    2024年02月05日
    浏览(33)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包