【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

基于 HTML5 Canvas 实现图片旋转与下载功能(完整代码展示)

基于 HTML5 Canvas 实现图片旋转与下载功能(完整代码展示)

《基于HTML5Canvas实现图片旋转与下载功能(完整代码展示)》本文将深入剖析一段基于HTML5Canvas的代码，该代码实现了图片的旋转（90度和180度）以及旋转后图片的下载... 目录一、引言二、html 结构分析三、css 样式分析四、JavaScript 功能实现一、引言在 Web 开发中，
阅读更多...
SpringBoot中使用Flux实现流式返回的方法小结

SpringBoot中使用Flux实现流式返回的方法小结

《SpringBoot中使用Flux实现流式返回的方法小结》文章介绍流式返回（StreamingResponse）在SpringBoot中通过Flux实现,优势包括提升用户体验、降低内存消耗、支持长连... 目录背景流式返回的核心概念与优势1. 提升用户体验2. 降低内存消耗3. 支持长连接与实时通信在Sp
阅读更多...
Conda虚拟环境的复制和迁移的四种方法实现

Conda虚拟环境的复制和迁移的四种方法实现

《Conda虚拟环境的复制和迁移的四种方法实现》本文主要介绍了Conda虚拟环境的复制和迁移的四种方法实现,包括requirements.txt,environment.yml,conda-pack,... 目录在本机复制Conda虚拟环境相同操作系统之间复制环境方法一：requirements.txt方法
阅读更多...
Spring Boot 实现 IP 限流的原理、实践与利弊解析

Spring Boot 实现 IP 限流的原理、实践与利弊解析

《SpringBoot实现IP限流的原理、实践与利弊解析》在SpringBoot中实现IP限流是一种简单而有效的方式来保障系统的稳定性和可用性,本文给大家介绍SpringBoot实现IP限... 目录一、引言二、IP 限流原理2.1 令牌桶算法2.2 漏桶算法三、使用场景3.1 防止恶意攻击3.2 控制资源
阅读更多...
Python如何去除图片干扰代码示例

Python如何去除图片干扰代码示例

《Python如何去除图片干扰代码示例》图片降噪是一个广泛应用于图像处理的技术,可以提高图像质量和相关应用的效果,：本文主要介绍Python如何去除图片干扰的相关资料,文中通过代码介绍的非常详细,... 目录一、噪声去除1. 高斯噪声（像素值正态分布扰动）2. 椒盐噪声（随机黑白像素点）3. 复杂噪声（如伪
阅读更多...
springboot下载接口限速功能实现

springboot下载接口限速功能实现

《springboot下载接口限速功能实现》通过Redis统计并发数动态调整每个用户带宽,核心逻辑为每秒读取并发送限定数据量,防止单用户占用过多资源,确保整体下载均衡且高效,本文给大家介绍spring... 目录 一、整体目标 二、涉及的主要类/方法✅ 三、核心流程图解（简化） 四、关键代码详解1️⃣ 设置
阅读更多...
Java Spring ApplicationEvent 代码示例解析

Java Spring ApplicationEvent 代码示例解析

《JavaSpringApplicationEvent代码示例解析》本文解析了Spring事件机制,涵盖核心概念（发布-订阅/观察者模式）、代码实现（事件定义、发布、监听）及高级应用（异步处理、... 目录一、Spring 事件机制核心概念1. 事件驱动架构模型2. 核心组件二、代码示例解析1. 事件定义
阅读更多...
Nginx 配置跨域的实现及常见问题解决

Nginx 配置跨域的实现及常见问题解决

《Nginx配置跨域的实现及常见问题解决》本文主要介绍了Nginx配置跨域的实现及常见问题解决,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来... 目录1. 跨域1.1 同源策略1.2 跨域资源共享（CORS）2. Nginx 配置跨域的场景2.1
阅读更多...
Python中提取文件名扩展名的多种方法实现

Python中提取文件名扩展名的多种方法实现

《Python中提取文件名扩展名的多种方法实现》在Python编程中,经常会遇到需要从文件名中提取扩展名的场景,Python提供了多种方法来实现这一功能,不同方法适用于不同的场景和需求,包括os.pa... 目录技术背景实现步骤方法一：使用os.path.splitext方法二：使用pathlib模块方法三
阅读更多...
CSS实现元素撑满剩余空间的五种方法

CSS实现元素撑满剩余空间的五种方法

《CSS实现元素撑满剩余空间的五种方法》在日常开发中，我们经常需要让某个元素占据容器的剩余空间，本文将介绍5种不同的方法来实现这个需求，并分析各种方法的优缺点，感兴趣的朋友一起看看吧... css实现元素撑满剩余空间的5种方法 在日常开发中，我们经常需要让某个元素占据容器的剩余空间。这是一个常见的布局需求
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2