【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

Redis分片集群的实现

Redis分片集群的实现

《Redis分片集群的实现》Redis分片集群是一种将Redis数据库分散到多个节点上的方式,以提供更高的性能和可伸缩性,本文主要介绍了Redis分片集群的实现,具有一定的参考价值,感兴趣的可以了解一... 目录1. Redis Cluster的核心概念哈希槽（Hash Slots）主从复制与故障转移2.
阅读更多...
springboot+dubbo实现时间轮算法

springboot+dubbo实现时间轮算法

《springboot+dubbo实现时间轮算法》时间轮是一种高效利用线程资源进行批量化调度的算法,本文主要介绍了springboot+dubbo实现时间轮算法,文中通过示例代码介绍的非常详细,对大家... 目录前言一、参数说明二、具体实现1、HashedwheelTimer2、createWheel3、n
阅读更多...
使用Python实现一键隐藏屏幕并锁定输入

使用Python实现一键隐藏屏幕并锁定输入

《使用Python实现一键隐藏屏幕并锁定输入》本文主要介绍了使用Python编写一个一键隐藏屏幕并锁定输入的黑科技程序,能够在指定热键触发后立即遮挡屏幕,并禁止一切键盘鼠标输入,这样就再也不用担心自己... 目录1. 概述2. 功能亮点3.代码实现4.使用方法5. 展示效果6. 代码优化与拓展7. 总结1.
阅读更多...
Mybatis 传参与排序模糊查询功能实现

Mybatis 传参与排序模糊查询功能实现

《Mybatis传参与排序模糊查询功能实现》：本文主要介绍Mybatis传参与排序模糊查询功能实现,本文通过实例代码给大家介绍的非常详细,感兴趣的朋友跟随小编一起看看吧... 目录一、#{ }和${ }传参的区别二、排序三、like查询四、数据库连接池五、mysql 开发企业规范一、#{ }和${ }传参的
阅读更多...
Docker镜像修改hosts及dockerfile修改hosts文件的实现方式

Docker镜像修改hosts及dockerfile修改hosts文件的实现方式

《Docker镜像修改hosts及dockerfile修改hosts文件的实现方式》：本文主要介绍Docker镜像修改hosts及dockerfile修改hosts文件的实现方式,具有很好的参考价... 目录docker镜像修改hosts及dockerfile修改hosts文件准备 dockerfile 文
阅读更多...
基于SpringBoot+Mybatis实现Mysql分表

基于SpringBoot+Mybatis实现Mysql分表

《基于SpringBoot+Mybatis实现Mysql分表》这篇文章主要为大家详细介绍了基于SpringBoot+Mybatis实现Mysql分表的相关知识,文中的示例代码讲解详细,感兴趣的小伙伴可... 目录基本思路定义注解创建ThreadLocal创建拦截器业务处理基本思路1.根据创建时间字段按年进
阅读更多...
SpringBoot3实现Gzip压缩优化的技术指南

SpringBoot3实现Gzip压缩优化的技术指南

《SpringBoot3实现Gzip压缩优化的技术指南》随着Web应用的用户量和数据量增加,网络带宽和页面加载速度逐渐成为瓶颈,为了减少数据传输量,提高用户体验,我们可以使用Gzip压缩HTTP响应,... 目录1、简述2、配置2.1 添加依赖2.2 配置 Gzip 压缩3、服务端应用4、前端应用4.1 N
阅读更多...
SpringBoot实现数据库读写分离的3种方法小结

SpringBoot实现数据库读写分离的3种方法小结

《SpringBoot实现数据库读写分离的3种方法小结》为了提高系统的读写性能和可用性,读写分离是一种经典的数据库架构模式,在SpringBoot应用中,有多种方式可以实现数据库读写分离,本文将介绍三... 目录一、数据库读写分离概述二、方案一：基于AbstractRoutingDataSource实现动态
阅读更多...
Python FastAPI+Celery+RabbitMQ实现分布式图片水印处理系统

Python FastAPI+Celery+RabbitMQ实现分布式图片水印处理系统

《PythonFastAPI+Celery+RabbitMQ实现分布式图片水印处理系统》这篇文章主要为大家详细介绍了PythonFastAPI如何结合Celery以及RabbitMQ实现简单的分布式... 实现思路FastAPI 服务器Celery 任务队列RabbitMQ 作为消息代理定时任务处理完整
阅读更多...
springboot循环依赖问题案例代码及解决办法

springboot循环依赖问题案例代码及解决办法

《springboot循环依赖问题案例代码及解决办法》在SpringBoot中,如果两个或多个Bean之间存在循环依赖（即BeanA依赖BeanB,而BeanB又依赖BeanA）,会导致Spring的... 目录1. 什么是循环依赖？2. 循环依赖的场景案例3. 解决循环依赖的常见方法方法 1：使用 @La
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2