【评价指标】混淆矩阵Confusion Matrix、iou、miou、召回率、准确率及代码实现

2023-10-28 16:40
文章标签 代码 实现 评价 指标 召回 矩阵 matrix confusion 混淆 iou 准确率 miou

本文主要是介绍【评价指标】混淆矩阵Confusion Matrix、iou、miou、召回率、准确率及代码实现，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

目录

混淆矩阵

以二分类为例

 多分类示例

1.混淆矩阵

2.iou（交并比）

miou

3.召回率

 4.acc(准确率）

5.混淆矩阵可视化 

完整代码

混淆矩阵

混淆矩阵是大小为 (n_classes, n_classes) 的方阵,  n_classes 表示类的数量。混淆矩阵可以用于直观展示每个类别的预测情况。并能从中计算精确值(Accuracy)、精确率(Precision)、召回率(Recall)、交并比(IoU)。

以二分类为例

预测为真预测为假
实际为真TPFN
实际为假FPTN

TP(True Positive)：将正类预测为正类数；FN(False Negative)：将正类预测为负类数；FP(False Positive)：将负类预测为正类数；TN(True Negative)：将负类预测为负类数

  • Accuracy（准确率）是最常用的指标，所有预测正确的占全部的比例

Accuracy = \frac{TP+TN }{TP+TN+FP+FN}

  • Precision（精度，查准率）看的是在预测为真的情形下有多少是预测正确的，即「精准度」是多少

precision = \frac{TP }{TP+FP}

  • Recall（召回率，查全率）是看在实际为真的情形中，预测「能召回多少」实际为真的答案

Recall = \frac{TP }{TP+FN} 

 多分类示例

1.混淆矩阵

不想太麻烦，就随机生成了两组4\times4的数据作为真实值b和预测值a，生成混淆矩阵。

#生成数据
import numpy as np
a = np.random.randint(0, 6, size=(4,4))#预测值
b = np.random.randint(0, 6, size=(4,4))#真实值
n = 6
print(a)
print(b)#生成混淆矩阵
def fast_hist(a, b, n):k = (b >= 0) & (b < n)# 横坐标是预测的类别，纵坐标是真实的类别#n_class * label_true[mask].astype(int) + label_pred[mask]计算得到的是二维数组元素变成一维度数组元素的时候的地址取值(每个元素大小为1)，返回的是一个numpy的list，然后#np.bincount就可以计算各中取值的个数hist = np.bincount(a[k].astype(int) + n*b[k].astype(int), minlength=n**2).reshape(n,n)return hist
print(fast_hist(a, b, n))

#随机生成的数据

 [[4 2 2 0]
 [5 1 1 3]
 [4 0 2 1]
 [1 1 4 1]]


[[3 4 5 0]
 [2 4 5 1]
 [4 0 1 0]
 [1 4 2 4]]

#混淆矩阵： 横坐标是预测的类别，纵坐标是真实的类别

[[2 1 0 0 0 0]
 [0 1 1 1 0 0]
 [0 0 0 0 1 1]
 [0 0 0 0 1 0]
 [0 3 1 0 1 0]
 [0 1 1 0 0 0]]

2.iou（交并比）

def per_class_iou(hist):"""hist传入混淆矩阵(n, n)"""# 因为下面有除法，防止分母为0的情况报错np.seterr(divide="ignore", invalid="ignore")# 交集：np.diag取hist的对角线元素# 并集：hist.sum(1)和hist.sum(0)分别按两个维度相加，而对角线元素加了两次，因此减一次iou = np.diag(hist) / (hist.sum(1) + hist.sum(0) - np.diag(hist))# 把报错设回来np.seterr(divide="warn", invalid="warn")# 如果分母为0，结果是nan，会影响后续处理，因此把nan都置为0iou[np.isnan(iou)] = 0.return iou
print(per_class_iou(hist))

#iou

 [0.66666667 0.125      0.         0.         0.14285714 0.        ]

miou

对iou求平均就是miou

miou = np.nanmean(iou)

3.召回率

对角线上的数值（预测正确的真）比上hist每一行的和（每一类实际为真的数量）

#每一类的准确率
def per_class_acc(hist):""":param hist: 混淆矩阵:return: 每类的acc和平均的acc"""np.seterr(divide="ignore", invalid="ignore")acc_cls = np.diag(hist) / hist.sum(1)   #改变hist.sum()的维度就是精度np.seterr(divide="warn", invalid="warn")acc_cls[np.isnan(acc_cls)] = 0.return acc_cls
print(per_class_acc(hist))

#每类的召回率

[0.66666667 0.33333333 0.         0.         0.2        0.        ]

 再求平均就是召回率了

 4.acc(准确率）

预测正确的比上所有

acc = np.diag(hist).sum() / hist.sum()

 0.25

5.混淆矩阵可视化 

# 绘制hist矩阵的可视化图并保存
def drawHist(hist, path):hist_ = histhist_tmp = np.zeros((class_num, class_num))for i in range(len(hist_)):hist_tmp[i] = hist_[i]print(hist_tmp)hist = hist_tmpplt.matshow(hist)plt.xlabel("Predicted label")plt.ylabel("True label")plt.axis("off")# plt.colorbar()plt.show()if (path != None):plt.savefig(path)print("%s保存成功✿✿ヽ(°▽°)ノ✿" % path)

完整代码

import torch
import numpy as np
import matplotlib.pyplot as plt# 计算各种评价指标
def fast_hist(a, b, n):"""生成混淆矩阵a 是形状为(HxW,)的预测值b 是形状为(HxW,)的真实值n 是类别数"""# 确保a和b在0~n-1的范围内，k是(HxW,)的True和False数列k = (a >= 0) & (a < n)# 横坐标是预测的类别，纵坐标是真实的类别hist = np.bincount(a[k].astype(int) + n * b[k].astype(int), minlength=n ** 2).reshape(n, n)return histdef per_class_iou(hist):# 因为下面有除法，防止分母为0的情况报错np.seterr(divide="ignore", invalid="ignore")# 交集：np.diag取hist的对角线元素# 并集：hist.sum(1)和hist.sum(0)分别按两个维度相加，而对角线元素加了两次，因此减一次iou = np.diag(hist) / (hist.sum(1) + hist.sum(0) - np.diag(hist))# 把报错设回来np.seterr(divide="warn", invalid="warn")# 如果分母为0，结果是nan，会影响后续处理，因此把nan都置为0iou[np.isnan(iou)] = 0.return ioudef per_class_acc(hist):""":param hist: 混淆矩阵:return: 每类的acc和平均的acc"""np.seterr(divide="ignore", invalid="ignore")acc_cls = np.diag(hist) / hist.sum(1)np.seterr(divide="warn", invalid="warn")acc_cls[np.isnan(acc_cls)] = 0.return acc_cls# 使用这个函数计算模型的各种性能指标
# 输入网络的输出值和标签值，得到计算结果
def get_MIoU(pred, label, hist):""":param pred: 预测向量:param label: 真实标签值:return: 准确率，每类的准确率，每类的iou, miou"""hist = hist# 准确率acc = np.diag(hist).sum() / hist.sum()# 每一类的召回率acc_cls = per_class_acc(hist)# 每类的iouiou = per_class_iou(hist)# mioumiou = np.nanmean(iou[1:])return acc, acc_cls, iou, miou, hist# 绘制hist矩阵的可视化图并保存
def drawHist(hist, path):# print(hist)hist_ = histhist_tmp = np.zeros((n, n))for i in range(len(hist_)):hist_tmp[i] = hist_[i]print(hist_tmp)hist = hist_tmpplt.matshow(hist)plt.xlabel("Predicted label")plt.ylabel("True label")plt.axis("off")# plt.colorbar()plt.show()if (path != None):plt.savefig(path)print("%s保存成功✿✿ヽ(°▽°)ノ✿" % path)if __name__ == "__main__":# 随机生成数据a = np.random.randint(0, 6, size=(4, 4))b = np.random.randint(0, 6, size=(4, 4))n = 6hist = fast_hist(a, b, n)print(a)print(b)print(get_MIoU(a, b, hist))drawHist(hist, "C:/Users/Administrator/Desktop")

#所有结果
[[5 1 5 0]
 [4 0 5 1]
 [2 4 2 1]
 [1 3 2 5]]


[[0 3 3 3]
 [1 2 0 1]
 [0 3 1 1]
 [5 5 3 5]]


(0.1875, array([0.        , 0.5       , 0.        , 0.        , 0.        ,
       0.33333333]), array([0.        , 0.33333333, 0.        , 0.        , 0.        ,
       0.16666667]), 0.1, array([[0, 0, 1, 0, 0, 2],
       [0, 2, 1, 0, 1, 0],
       [1, 0, 0, 0, 0, 0],
       [1, 1, 1, 0, 1, 1],
       [0, 0, 0, 0, 0, 0],
       [0, 1, 0, 1, 0, 1]], dtype=int64))


[[0. 0. 1. 0. 0. 2.]
 [0. 2. 1. 0. 1. 0.]
 [1. 0. 0. 0. 0. 0.]
 [1. 1. 1. 0. 1. 1.]
 [0. 0. 0. 0. 0. 0.]
 [0. 1. 0. 1. 0. 1.]]

代码结构主要是学习了这篇文章里混淆矩阵的部分

混淆矩阵的生成代码原理不懂的可以看这篇

这篇关于【评价指标】混淆矩阵Confusion Matrix、iou、miou、召回率、准确率及代码实现的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/294542。

相关文章

vscode保存代码时自动eslint格式化图文教程

vscode保存代码时自动eslint格式化图文教程

《vscode保存代码时自动eslint格式化图文教程》：本文主要介绍vscode保存代码时自动eslint格式化的相关资料,包括打开设置文件并复制特定内容,文中通过代码介绍的非常详细,需要的朋友... 目录1、点击设置2、选择远程--->点击右上角打开设置3、会弹出settings.json文件，将以下内
阅读更多...
Java中使用Java Mail实现邮件服务功能示例

Java中使用Java Mail实现邮件服务功能示例

《Java中使用JavaMail实现邮件服务功能示例》：本文主要介绍Java中使用JavaMail实现邮件服务功能的相关资料,文章还提供了一个发送邮件的示例代码,包括创建参数类、邮件类和执行结... 目录前言一、历史背景二编程、pom依赖三、API说明（一）Session （会话）（二）Message编程客
阅读更多...
Java中List转Map的几种具体实现方式和特点

Java中List转Map的几种具体实现方式和特点

《Java中List转Map的几种具体实现方式和特点》：本文主要介绍几种常用的List转Map的方式,包括使用for循环遍历、Java8StreamAPI、ApacheCommonsCollect... 目录前言1、使用for循环遍历：2、Java8 Stream API：3、Apache Commons
阅读更多...
C#提取PDF表单数据的实现流程

C#提取PDF表单数据的实现流程

《C#提取PDF表单数据的实现流程》PDF表单是一种常见的数据收集工具,广泛应用于调查问卷、业务合同等场景,凭借出色的跨平台兼容性和标准化特点,PDF表单在各行各业中得到了广泛应用,本文将探讨如何使用... 目录引言使用工具C# 提取多个PDF表单域的数据C# 提取特定PDF表单域的数据引言PDF表单是一
阅读更多...
使用Python实现高效的端口扫描器

使用Python实现高效的端口扫描器

《使用Python实现高效的端口扫描器》在网络安全领域,端口扫描是一项基本而重要的技能,通过端口扫描,可以发现目标主机上开放的服务和端口,这对于安全评估、渗透测试等有着不可忽视的作用,本文将介绍如何使... 目录1. 端口扫描的基本原理2. 使用python实现端口扫描2.1 安装必要的库2.2 编写端口扫
阅读更多...
PyCharm接入DeepSeek实现AI编程的操作流程

PyCharm接入DeepSeek实现AI编程的操作流程

《PyCharm接入DeepSeek实现AI编程的操作流程》DeepSeek是一家专注于人工智能技术研发的公司,致力于开发高性能、低成本的AI模型,接下来,我们把DeepSeek接入到PyCharm中... 目录引言效果演示创建API key在PyCharm中下载Continue插件配置Continue引言
阅读更多...
MySQL分表自动化创建的实现方案

MySQL分表自动化创建的实现方案

《MySQL分表自动化创建的实现方案》在数据库应用场景中,随着数据量的不断增长,单表存储数据可能会面临性能瓶颈,例如查询、插入、更新等操作的效率会逐渐降低,分表是一种有效的优化策略,它将数据分散存储在... 目录一、项目目的二、实现过程（一）mysql 事件调度器结合存储过程方式1. 开启事件调度器2. 创
阅读更多...
使用Python实现操作mongodb详解

使用Python实现操作mongodb详解

《使用Python实现操作mongodb详解》这篇文章主要为大家详细介绍了使用Python实现操作mongodb的相关知识,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录一、示例二、常用指令三、遇到的问题一、示例from pymongo import MongoClientf
阅读更多...
SQL Server使用SELECT INTO实现表备份的代码示例

SQL Server使用SELECT INTO实现表备份的代码示例

《SQLServer使用SELECTINTO实现表备份的代码示例》在数据库管理过程中,有时我们需要对表进行备份,以防数据丢失或修改错误,在SQLServer中,可以使用SELECTINT... 在数据库管理过程中，有时我们需要对表进行备份，以防数据丢失或修改错误。在 SQL Server 中，可以使用 SE
阅读更多...
基于Go语言实现一个压测工具

基于Go语言实现一个压测工具

《基于Go语言实现一个压测工具》这篇文章主要为大家详细介绍了基于Go语言实现一个简单的压测工具,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录整体架构通用数据处理模块Http请求响应数据处理Curl参数解析处理客户端模块Http客户端处理Grpc客户端处理Websocket客户端
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2