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

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！

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	TP	FN
实际为假	FP	TN

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 $\times$ 4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.]]