詳解使用python繪制混淆矩陣(confusion_matrix)
更新時間:2019年07月14日 16:09:16 作者:ai-exception
這篇文章主要介紹了詳解使用python繪制混淆矩陣(confusion_matrix),文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧
Summary
涉及到分類問題,我們經(jīng)常需要通過可視化混淆矩陣來分析實驗結(jié)果進而得出調(diào)參思路,本文介紹如何利用python繪制混淆矩陣(confusion_matrix),本文只提供代碼,給出必要注釋。
Code
# -*-coding:utf-8-*- from sklearn.metrics import confusion_matrix import matplotlib.pyplot as plt import numpy as np #labels表示你不同類別的代號,比如這里的demo中有13個類別 labels = ['A', 'B', 'C', 'F', 'G', 'H', 'I', 'J', 'K', 'L', 'M', 'N', 'O'] ''' 具體解釋一下re_label.txt和pr_label.txt這兩個文件,比如你有100個樣本 去做預測,這100個樣本中一共有10類,那么首先這100個樣本的真實label你一定 是知道的,一共有10個類別,用[0,9]表示,則re_label.txt文件中應該有100 個數(shù)字,第n個數(shù)字代表的是第n個樣本的真實label(100個樣本自然就有100個 數(shù)字)。 同理,pr_label.txt里面也應該有1--個數(shù)字,第n個數(shù)字代表的是第n個樣本經(jīng)過 你訓練好的網(wǎng)絡預測出來的預測label。 這樣,re_label.txt和pr_label.txt這兩個文件分別代表了你樣本的真實label和預測label,然后讀到y(tǒng)_true和y_pred這兩個變量中計算后面的混淆矩陣。當然,不一定非要使用這種txt格式的文件讀入的方式,只要你最后將你的真實 label和預測label分別保存到y(tǒng)_true和y_pred這兩個變量中即可。 ''' y_true = np.loadtxt('../Data/re_label.txt') y_pred = np.loadtxt('../Data/pr_label.txt') tick_marks = np.array(range(len(labels))) + 0.5 def plot_confusion_matrix(cm, title='Confusion Matrix', cmap=plt.cm.binary): plt.imshow(cm, interpolation='nearest', cmap=cmap) plt.title(title) plt.colorbar() xlocations = np.array(range(len(labels))) plt.xticks(xlocations, labels, rotation=90) plt.yticks(xlocations, labels) plt.ylabel('True label') plt.xlabel('Predicted label') cm = confusion_matrix(y_true, y_pred) np.set_printoptions(precision=2) cm_normalized = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis] print cm_normalized plt.figure(figsize=(12, 8), dpi=120) ind_array = np.arange(len(labels)) x, y = np.meshgrid(ind_array, ind_array) for x_val, y_val in zip(x.flatten(), y.flatten()): c = cm_normalized[y_val][x_val] if c > 0.01: plt.text(x_val, y_val, "%0.2f" % (c,), color='red', fontsize=7, va='center', ha='center') # offset the tick plt.gca().set_xticks(tick_marks, minor=True) plt.gca().set_yticks(tick_marks, minor=True) plt.gca().xaxis.set_ticks_position('none') plt.gca().yaxis.set_ticks_position('none') plt.grid(True, which='minor', linestyle='-') plt.gcf().subplots_adjust(bottom=0.15) plot_confusion_matrix(cm_normalized, title='Normalized confusion matrix') # show confusion matrix plt.savefig('../Data/confusion_matrix.png', format='png') plt.show()
Result
以上就是本文的全部內(nèi)容,希望對大家的學習有所幫助,也希望大家多多支持腳本之家。
相關文章
Jupyter Lab設置切換虛擬環(huán)境的實現(xiàn)步驟
本文主要介紹了Jupyter Lab設置切換虛擬環(huán)境的實現(xiàn)步驟,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧2023-02-02Python Flask自定義URL路由參數(shù)過濾器的方法詳解
Flask是一個輕量級的Python Web應用框架,它允許開發(fā)者以一種簡潔明了的方式來構(gòu)建Web應用,Flask自定義URL的主要功能在于使得開發(fā)者能夠通過簡單的路由規(guī)則來自定義應用程序的URL結(jié)構(gòu),本文給大家介紹了Python Flask自定義URL路由參數(shù)過濾器的方法,需要的朋友可以參考下2024-07-07pycharm實現(xiàn)在子類中添加一個父類沒有的屬性
這篇文章主要介紹了pycharm實現(xiàn)在子類中添加一個父類沒有的屬性,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧2020-03-03Python中tkinter無法同時顯示多個image的解決方法及pack與place解析
這篇文章主要介紹了Python中tkinter無法同時顯示多個image的解決方法及pack與place解析,本文給大家分享問題原因解析及解決方案,需要的朋友可以參考下2023-02-02python opencv 圖像處理之圖像算數(shù)運算及修改顏色空間
這篇文章主要介紹了python opencv 圖像處理之圖像算數(shù)運算及修改顏色空間,文章圍繞主題展開詳細的內(nèi)容介紹,具有一定的參考價值,需要的朋友可以參考一下2022-08-08