混淆矩阵——矩阵可视化

这篇具有很好参考价值的文章主要介绍了混淆矩阵——矩阵可视化。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。

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
import numpy as np
import seaborn as sns
import tensorflow as tf
from matplotlib import pyplot as plt
from sklearn.metrics import confusion_matrix

正例 and 负例

在二分类中

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🍐。我们想要的是苹果,在这种情况下,我们将苹果定义为正例,凤梨则为反例

当我们使用构建的模型对苹果和梨分类时

  • 被分类的是🍎(正例),如果模型分类了,那就是真正例(TP)
  • 被分类的是🍎(正例),如果模型分类了,那就是假正例(FP)
  • 被分类的是🍐(反例),如果模型分类了,那就是真反例(TN)
  • 被分类的是🍐(反例),如果模型分类了,那就是假正例(FN)

T/F表示是否被分类正确,P/N表示是正例 or 反例

在多分类中

还是大差不差,但在多分类中要看我们进行分类的对象了(👏👏此对象非彼对象!!!)

举个栗子🌰,我们要区分苹果🍎、凤梨🍐和橘子🍊

  • 当对象为苹果🍎,也就是说我们想要的是苹果时,在这种情况下,苹果为正例,其他的(凤梨、橘子)则为反例
    • 被分类的是🍎(正例),如果模型分类正确,那就是真正例(TP)
    • 被分类的是🍎(正例),如果模型分类错误,那就是假正例(FP)
    • 被分类的是🍐|🍊(反例),如果模型分类正确,那就是真反例(TN)
    • 被分类的是🍐|🍊(反例),如果模型分类错误,那就是假正例(FN)
  • 当对象为凤梨🍐,也就是说我们想要的是凤梨时,在这种情况下,凤梨为正例,其他的(苹果、橘子)则为反例
    • 被分类的是🍐(正例),如果模型分类正确,那就是真正例(TP)
    • 被分类的是🍐(正例),如果模型分类错误,那就是假正例(FP)
    • 被分类的是🍎|🍊(反例),如果模型分类正确,那就是真反例(TN)
    • 被分类的是🍎|🍊(反例),如果模型分类错误,那就是假正例(FN)
  • 当对象为橘子🍊,也就是说我们想要的是橘子时,在这种情况下,橘子为正例,其他的(苹果、凤梨)则为反例
    • 被分类的是🍊(正例),如果模型分类正确,那就是真正例(TP)
    • 被分类的是🍊(正例),如果模型分类错误,那就是假正例(FP)
    • 被分类的是🍎|🍐(反例),如果模型分类正确,那就是真反例(TN)
    • 被分类的是🍎|🍐(反例),如果模型分类错误,那就是假正例(FN)

总而言之,言而总之,在对分类中要计算 TP、FP、TN、FN 要将每一个类别作为对象依次计算。倘若可以得到混淆矩阵,就犹如有手握屠龙宝刀方便多了

那混淆矩阵是啥子嘛

通过将模型的预测结果与真实标签进行比较,可以得出混淆矩阵(Confusion Matrix)。以帮助我们了解模型在不同类别上的分类情况,根据混淆矩阵我们可以计算出真正例(True Positive, TP)、真反例(True Negative, TN)、假正例(False Positive, FP)和假反例(False Negative, FN)。进而计算出准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F1值(F1 Score)

cm = [[50, 0, 1, 3],
      [0, 60, 0, 1],
      [2, 4, 29, 0],
      [4, 4, 1, 57]]
classes = ['cat', 'dog', 'pig', 'bird']
sns.heatmap(data=cm, annot=True,
            xticklabels=classes,
            yticklabels=classes,
            cmap='GnBu')
plt.xlabel('Pred')
plt.ylabel('True')
plt.title('Confusion Matrix')
plt.show()

混淆矩阵——矩阵可视化,漫漫 TensorFlow 修仙路,人工智能,机器学习

诸君且看,这张便是混淆矩阵的可视化图。X轴是模型的预测结果,Y轴是正确标签。每一个单元标注了预测正确的数量,笔者的看图方式是,从左到右一列一列竖着看。

cat 的[50, 0, 2, 4]列,即此时的对象为 cat ,正例为 cat

  • 与Y轴的正确标签相比,预测结果与正确标签对应上的是是50个,故TP=50
  • 此时正例为 cat,而剩下的[0, 2, 4]为预测错误的,故FP=0+2+4=6
  • cat 列[50, 0, 2, 4]已经看完了,剩下的都是反例了。反例中,预测对的就是那几个颜色深的[60, 29, 57](当然,cat 列里的50不算,因为这是正例) ,故TN=60+29+57=146
  • 至此,TP、FP、TN都已计算出,而FN就是矩阵内数值总和减去TP、FP、TN这三。故FN=216-50-6-146=14

对于 cat 而言,TP=50、FP=6、TN=146、FN=14
混淆矩阵——矩阵可视化,漫漫 TensorFlow 修仙路,人工智能,机器学习

混淆矩阵计算

sklearn.metrics.confusion_matrix 计算

cm = confusion_matrix(y_true=true, y_pred=pred)
print(cm)
===================
输出:
[[3 0 0 0 0]
 [0 2 0 0 0]
 [0 1 2 0 0]
 [0 0 1 3 0]
 [0 0 0 0 3]]

tf.math.confusion_matrix 计算

# 设置预测结果
pred = [0, 1, 2, 3, 4, 0, 1, 2, 3, 4, 0, 1, 2, 3, 4]
# 设置正确标签
true = [0, 1, 2, 3, 4, 0, 2, 2, 3, 4, 0, 1, 3, 3, 4]

cm = tf.math.confusion_matrix(labels=true, predictions=pred).numpy()
print(cm)
===================
输出:
[[3 0 0 0 0]
 [0 2 0 0 0]
 [0 1 2 0 0]
 [0 0 1 3 0]
 [0 0 0 0 3]]

计算 TP TF NP NF

cm = [[49, 0, 1, 1, 0, 1, 0, 1, 5, 2, 3, 4],
      [0, 60, 0, 1, 1, 0, 1, 0, 4, 2, 3, 0],
      [2, 0, 33, 0, 1, 2, 1, 2, 1, 0, 1, 4],
      [0, 1, 1, 63, 1, 0, 0, 1, 3, 0, 1, 0],
      [0, 1, 0, 0, 53, 3, 0, 1, 2, 3, 1, 2],
      [0, 0, 0, 1, 0, 75, 0, 0, 0, 3, 3, 1],
      [1, 1, 1, 0, 1, 1, 40, 2, 2, 0, 3, 1],
      [0, 0, 0, 0, 0, 0, 0, 60, 1, 0, 0, 0],
      [1, 0, 0, 0, 0, 0, 1, 0, 75, 0, 2, 1],
      [1, 1, 2, 0, 1, 2, 1, 0, 5, 72, 1, 4],
      [0, 1, 0, 0, 0, 2, 0, 1, 0, 3, 65, 0],
      [1, 1, 0, 1, 1, 0, 1, 0, 5, 0, 1, 51]]
cm = np.array(cm)

# 计算混淆矩阵的总和
total = np.sum(cm)
# 计算那条深色斜线的总和
line = np.sum([cm[i, i] for i in range(len(cm))])
# 储存每个类别的 TP TF NP NF
classes_list = []
for i in range(len(cm)):
    TP = cm[i, i]
    TN = line - TP
    FP = sum(cm[:, i]) - TP
    FN = total - TP - TN - FP
    classes_list.append({i: {'tp': TP, 'tn': TN, 'fp': FP, 'fn': FN}})

classes_list
===================
输出:
[{0: {'tp': 49, 'tn': 647, 'fp': 6, 'fn': 122}}, 
 {1: {'tp': 60, 'tn': 636, 'fp': 6, 'fn': 122}}, 
 {2: {'tp': 33, 'tn': 663, 'fp': 5, 'fn': 123}}, 
 {3: {'tp': 63, 'tn': 633, 'fp': 4, 'fn': 124}},
 {4: {'tp': 53, 'tn': 643, 'fp': 6, 'fn': 122}},
 {5: {'tp': 75, 'tn': 621, 'fp': 11, 'fn': 117}},
 {6: {'tp': 40, 'tn': 656, 'fp': 5, 'fn': 123}},
 {7: {'tp': 60, 'tn': 636, 'fp': 8, 'fn': 120}},
 {8: {'tp': 75, 'tn': 621, 'fp': 28, 'fn': 100}},
 {9: {'tp': 72, 'tn': 624, 'fp': 13, 'fn': 115}},
 {10: {'tp': 65, 'tn': 631, 'fp': 19, 'fn': 109}},
 {11: {'tp': 51, 'tn': 645, 'fp': 17, 'fn': 111}}]

混淆矩阵绘图

方式 1(使用seaborn)

# 定义类12个类别
classes = range(12)
# annot 显示区块的数值
# xticklabels X轴显示内容
# yticklabels Y轴显示内容
sns.heatmap(data=cm, annot=True,
            xticklabels=classes,
            yticklabels=classes,
            cmap='GnBu')

plt.xlabel('Pred')
plt.ylabel('True')
plt.title('Confusion Matrix')
plt.show()

混淆矩阵——矩阵可视化,漫漫 TensorFlow 修仙路,人工智能,机器学习

方式 2(使用matplotlib)

# 定义类12个类别
classes = range(12)
for y in range(cm.shape[0]):
    for x in range(cm.shape[1]):
        # 在中心标注数值
        plt.text(y, x, cm[y][x], horizontalalignment='center', verticalalignment='center')

plt.imshow(cm, cmap='GnBu')
plt.colorbar()
plt.xlabel('Pred')
plt.ylabel('True')
plt.xticks(classes)
plt.yticks(classes)
plt.grid(False)
plt.title('Confusion Matrix')
plt.show()

混淆矩阵——矩阵可视化,漫漫 TensorFlow 修仙路,人工智能,机器学习文章来源地址https://www.toymoban.com/news/detail-761146.html

到了这里,关于混淆矩阵——矩阵可视化的文章就介绍完了。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

  • 第55步 深度学习图像识别:CNN特征层和卷积核可视化(TensorFlow)

    一、写在前面 (1)CNN可视化 在理解和解释卷积神经网络(CNN)的行为方面,可视化工具起着重要的作用。以下是一些可以用于可视化的内容: (a)激活映射(Activation maps): 可以显示模型在训练过程中的激活情况,这可以帮助我们理解每一层(或每个过滤器)在识别图像

    2024年02月14日
    浏览(69)
  • 积跬步至千里 || 矩阵可视化

    矩阵可以很方面地展示事物两两之间的关系,这种关系可以通过矩阵可视化的方式进行简单监控。 定义一个通用类 调用类 结果展示 另一种方法

    2024年02月12日
    浏览(34)
  • 注意力权重矩阵可视化

    这个注意力权重矩阵应该没错吧,,,。

    2024年02月11日
    浏览(32)
  • 图像中部分RGB矩阵可视化

    今天室友有个需求就是模仿下面这张图画个示意图: 大致就是把图像中的一小部分区域的RGB值可视化了一下。他居然不知道该怎么画,我寻思这不直接秒了。 其实就是先画三个主图,一个全部的,一个小范围内的,一个RGB值的表,然后画四根线就完事了。效果如下: 唯一要

    2024年01月16日
    浏览(38)
  • matplotlib矩阵和图像的可视化表示

    matplotlib教程:初步📈子图绘制📈坐标投影📈刻度设置📈共享坐标轴📈内容填充📈文字和字体 【plt】中提供了三种矩阵可视化函数,分别是imshow, matshow以及pcolormesh,相较之下,前两者比较相似,且imshow常被用做图片展示工具,所以matshoww这个函数基本没什么人知道,二者

    2024年03月10日
    浏览(35)
  • Python中TensorFlow的长短期记忆神经网络(LSTM)、指数移动平均法预测股票市场和可视化...

    本文探索Python中的长短期记忆(LSTM)网络,以及如何使用它们来进行股市预测 ( 点击文末“阅读原文”获取完整 代码数据 )。 相关视频 在本文中,你将看到如何使用一个被称为长短时记忆的时间序列模型。LSTM模型很强大,特别是在保留长期记忆方面。在本文中,你将解

    2024年02月16日
    浏览(37)
  • Excel数据可视化—波士顿矩阵图【四象限图】

      Excel系列文章是本人亲身经历职场之后萌发的想法,为什么Excel覆盖如此之广,几乎每个公司、学校、家庭都在使用,但是它深藏的宝藏功能却很少被人使用,PQ、BI这些功能同样适用于数据分析;并且在一些需要简单及时的数据分析项目前,Excel是完胜python、R、SPSS这些科

    2024年02月04日
    浏览(44)
  • R语言使用pairs函数可视化散点图矩阵(包含多个变量的散点图)、可视化变量之间的相关性

    目录 R语言使用pairs函数可视化散点图矩阵(包含多个变量的散点图)、可视化变量之间的相关性 仿真数据

    2024年02月03日
    浏览(43)
  • 基于 Matlab 的方差-协方差矩阵可视化表示(椭圆、椭球)

    因为在学习模糊度固定的时候涉及了『搜索椭球』这一概念,很想知道是如何用椭球来表示搜索空间的。出于好奇,在查阅了一些相关文献,终于解决了笔者的疑惑,此篇博文就简要记录一下如何根据协方差矩阵来绘制椭球。 下面是得到的一些结论: 对协方差矩阵进行奇异

    2024年02月06日
    浏览(70)
  • 【深度学习实验】注意力机制(一):注意力权重矩阵可视化(矩阵热图heatmap)

    ​    注意力机制 作为一种模拟人脑信息处理的关键工具,在深度学习领域中得到了广泛应用。本系列实验旨在通过理论分析和代码演示,深入了解注意力机制的原理、类型及其在模型中的实际应用。 本文将介绍将介绍 注意力权重矩阵可视化 (矩阵热图heatmap)   本系

    2024年02月05日
    浏览(41)

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