【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

SpringBoot集成redisson实现延时队列教程

SpringBoot集成redisson实现延时队列教程

《SpringBoot集成redisson实现延时队列教程》文章介绍了使用Redisson实现延迟队列的完整步骤,包括依赖导入、Redis配置、工具类封装、业务枚举定义、执行器实现、Bean创建、消费... 目录1、先给项目导入Redisson依赖2、配置redis3、创建 RedissonConfig 配
阅读更多...
Python的Darts库实现时间序列预测

Python的Darts库实现时间序列预测

《Python的Darts库实现时间序列预测》Darts一个集统计、机器学习与深度学习模型于一体的Python时间序列预测库,本文主要介绍了Python的Darts库实现时间序列预测,感兴趣的可以了解... 目录目录一、什么是 Darts？二、安装与基本配置安装 Darts导入基础模块三、时间序列数据结构与
阅读更多...
Python使用FastAPI实现大文件分片上传与断点续传功能

Python使用FastAPI实现大文件分片上传与断点续传功能

《Python使用FastAPI实现大文件分片上传与断点续传功能》大文件直传常遇到超时、网络抖动失败、失败后只能重传的问题,分片上传+断点续传可以把大文件拆成若干小块逐个上传,并在中断后从已完成分片继... 目录一、接口设计二、服务端实现（FastAPI）2.1 运行环境2.2 目录结构建议2.3 serv
阅读更多...
C#实现千万数据秒级导入的代码

C#实现千万数据秒级导入的代码

《C#实现千万数据秒级导入的代码》在实际开发中excel导入很常见,现代社会中很容易遇到大数据处理业务,所以本文我就给大家分享一下千万数据秒级导入怎么实现,文中有详细的代码示例供大家参考,需要的朋友可... 目录前言一、数据存储二、处理逻辑优化前代码处理逻辑优化后的代码总结前言在实际开发中excel导入很
阅读更多...
SpringBoot+RustFS 实现文件切片极速上传的实例代码

SpringBoot+RustFS 实现文件切片极速上传的实例代码

《SpringBoot+RustFS实现文件切片极速上传的实例代码》本文介绍利用SpringBoot和RustFS构建高性能文件切片上传系统,实现大文件秒传、断点续传和分片上传等功能,具有一定的参考... 目录一、为什么选择 RustFS + SpringBoot？二、环境准备与部署2.1 安装 RustF
阅读更多...
Nginx部署HTTP/3的实现步骤

Nginx部署HTTP/3的实现步骤

《Nginx部署HTTP/3的实现步骤》本文介绍了在Nginx中部署HTTP/3的详细步骤,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一起学... 目录前提条件第一步：安装必要的依赖库第二步：获取并构建 BoringSSL第三步：获取 Nginx
阅读更多...
MyBatis Plus实现时间字段自动填充的完整方案

MyBatis Plus实现时间字段自动填充的完整方案

《MyBatisPlus实现时间字段自动填充的完整方案》在日常开发中,我们经常需要记录数据的创建时间和更新时间,传统的做法是在每次插入或更新操作时手动设置这些时间字段,这种方式不仅繁琐,还容易遗漏,... 目录前言解决目标技术栈实现步骤1. 实体类注解配置2. 创建元数据处理器3. 服务层代码优化填充机制详
阅读更多...
Python实现Excel批量样式修改器(附完整代码)

Python实现Excel批量样式修改器(附完整代码)

《Python实现Excel批量样式修改器(附完整代码)》这篇文章主要为大家详细介绍了如何使用Python实现一个Excel批量样式修改器,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... 目录前言功能特性核心功能界面特性系统要求安装说明使用指南基本操作流程高级功能技术实现核心技术栈关键函
阅读更多...
Java实现字节字符转bcd编码

Java实现字节字符转bcd编码

《Java实现字节字符转bcd编码》BCD是一种将十进制数字编码为二进制的表示方式,常用于数字显示和存储,本文将介绍如何在Java中实现字节字符转BCD码的过程,需要的小伙伴可以了解下... 目录前言BCD码是什么Java实现字节转bcd编码方法补充总结前言BCD码（Binary-Coded Decima
阅读更多...
SpringBoot全局域名替换的实现

SpringBoot全局域名替换的实现

《SpringBoot全局域名替换的实现》本文主要介绍了SpringBoot全局域名替换的实现,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一... 目录 项目结构⚙️ 配置文件application.yml️ 配置类AppProperties.Ja
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2