学习
实践
活动
工具
TVP
写文章

混淆矩阵 (confusion matrix)

比如说 (图片来自scikit-learn https://scikitlearn.org/stable/auto_examples/model_selection/plot_confusion_matrix.html confusion_matrix()用法如下: from sklearn.metrics import confusion_matrix y_true = ["cat", "ant", "cat", " cat", "ant", "bird"] y_pred = ["ant", "ant", "cat", "cat", "ant", "cat"] confusion_matrix(y_true, y_pred

85030

混淆矩阵(Confusion Matrix)

在分类型模型评判的指标中,常见的方法有如下三种:混淆矩阵(也称误差矩阵,Confusion Matrix)ROC曲线AUC面积本篇主要介绍第一种方法,即混淆矩阵,也称误差矩阵。 混淆矩阵的定义混淆矩阵的定义混淆矩阵(Confusion Matrix),它的本质远没有它的名字听上去那么拉风。矩阵,可以理解为就是一张表格,混淆矩阵其实就是一张表格而已。 II Error)     真实值是negative,模型认为是negative的数量(True Negative=TN)将这四个指标一起呈现在表格中,就能得到如下这样一个矩阵,我们称它为混淆矩阵(Confusion (这里是参见了Wikipedia,Confusion Matrix的解释,https://en.wikipedia.org/wiki/Confusion_matrix)F1-Score通过公式,可以计算出

6.7K10
  • 广告
    关闭

    2022腾讯全球数字生态大会

    11月30-12月1日,邀您一起“数实创新,产业共进”!

  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    【说站】python confusion_matrix()是什么

    python confusion_matrix()是什么 说明 1、计算分类器预测结果的混淆矩阵C。 2、混淆矩阵C使得C_ij等于已知在第i组中并且预计在第j组中的观测次数。 语法 sklearn.metrics.confusion_matrix(y_true, y_pred, *, labels, sample_weight, normalize) 实例 import sklearn cm = confusion_matrix(Y_test, Y_predict) print(cm) 以上就是python confusion_matrix()的介绍,希望对大家有所帮助。

    6820

    混淆矩阵及confusion_matrix函数的使用

    2.confusion_matrix函数的使用 官方文档中给出的用法是 sklearn.metrics.confusion_matrix(y_true, y_pred, labels=None, sample_weight y_pred: 是样本预测分类结果 labels:是所给出的类别,通过这个可对类别进行选择 sample_weight : 样本权重 实现例子: from sklearn.metrics import confusion_matrix y_true=[2,1,0,1,2,0] y_pred=[2,0,0,1,2,1] C=confusion_matrix(y_true, y_pred) 运行结果: [[1 1 0] [1 1 0]

    1.3K20

    4.4.2分类模型评判指标(一) – 混淆矩阵(Confusion Matrix)

    在分类型模型评判的指标中,常见的方法有如下三种: 混淆矩阵(也称误差矩阵,Confusion Matrix) ROC曲线 AUC面积 本篇主要介绍第一种方法,即混淆矩阵,也称误差矩阵。 混淆矩阵的定义 混淆矩阵(Confusion Matrix),它的本质远没有它的名字听上去那么拉风。矩阵,可以理解为就是一张表格,混淆矩阵其实就是一张表格而已。 Type I Error) 真实值是negative,模型认为是negative的数量(True Negative=TN) 将这四个指标一起呈现在表格中,就能得到如下这样一个矩阵,我们称它为混淆矩阵(Confusion (这里是参见了Wikipedia,Confusion Matrix的解释,https://en.wikipedia.org/wiki/Confusion_matrix) F1-Score 通过公式,可以计算出 than or less than 0.5 pred_LR <- rep("Down" , 1250) pred_LR[prob_LR > 0.5] = 'Up' # Confusion

    12430

    利用python中的matplotlib打印混淆矩阵实例

    This function prints and plots the confusion matrix. confusion matrix plt.figure() plot_confusion_matrix(cnf_matrix, classes=class_names, normalize=True, Tensorflow 混淆矩阵函数 tf.confusion_matrix API 接口 tf.confusion_matrix( labels, # 1-D Tensor of real labels and sklearn.metrics.confusion_matrix. operation sess = tf.InteractiveSession() op = tf.confusion_matrix(y_true, y_pred) op2 = tf.confusion_matrix

    91630

    通过jpg图片隐藏文件

    = random.randint(1, len(enc_body)//2) objectfile = "encry_%d_%d_%d_"%(len(bg_body), len(confusion ), confusion_bytes_index) + background data = bg_body + confusion + enc_body[confusion_bytes_index :] + confusion + enc_body[:confusion_bytes_index] print(len(bg_body)+len(confusion)) print(len (enc_body[confusion_bytes_index:])) print(len(enc_body[:confusion_bytes_index])) print(len(bg_body )+2*len(confusion)+len(enc_body[confusion_bytes_index:])) print(len(data)) with open(objectfile

    35920

    漏洞分析丨HEVD-10.TypeConfusing

    (_In_ PUSER_TYPE_CONFUSION_OBJECT UserTypeConfusionObject){ NTSTATUS Status = STATUS_UNSUCCESSFUL; PKERNEL_TYPE_CONFUSION_OBJECT )ExAllocatePoolWithTag( NonPagedPool, sizeof(KERNEL_TYPE_CONFUSION_OBJECT), (ULONG)POOL_TAG ); if (! {ULONG_PTR ObjectID; ULONG_PTR ObjectType;} USER_TYPE_CONFUSION_OBJECT, *PUSER_TYPE_CONFUSION_OBJECT; Callback; };} KERNEL_TYPE_CONFUSION_OBJECT, *PKERNEL_TYPE_CONFUSION_OBJECT;最后进入初始化函数,就直接调用回调函数了://// // Type Confusion Object Initializer//////The pointer to KERNEL_TYPE_CONFUSION_OBJECT object/// NTSTATUSNTSTATUSTypeConfusionObjectInitializer

    7820

    keras训练曲线,混淆矩阵,CNN层输出可视化实例

    混淆矩阵 def plot_confusion_matrix(cm, classes, title='Confusion matrix', cmap=plt.cm.jet): cm = (cm, title='Confusion matrix', cmap=plt.cm.Blues): plt.imshow(cm, interpolation='nearest', cmap=cmap matrix cm = confusion_matrix(y_test, y_pred) np.set_printoptions(precision=2) print('Confusion matrix , without normalization') print(cm) plt.figure() plot_confusion_matrix(cm) # Normalize the confusion matrix') print(cm_normalized) plt.figure() plot_confusion_matrix(cm_normalized, title='Normalized confusion

    62520

    Python数据相关系数矩阵和热力图轻松实现教程

    /BluesStateRelation.png') plt.show() 补充知识:python混淆矩阵(confusion_matrix)FP、FN、TP、TN、ROC,精确率(Precision) 此时如下代码所示,其中scikit-learn 混淆矩阵函数 sklearn.metrics.confusion_matrix API 接口,可以用于绘制混淆矩阵 skearn.metrics.confusion_matrix 这个时候我们还是不知道skearn.metrics.confusion_matrix做了些什么,这个时候print(C2),打印看下C2究竟里面包含着什么。 /records/" + experiment + "/confusion_matrix.txt" # np.savetxt(path_confusion, (c_matrix)) np.savetxt /records/" + experiment + "/confusion_matrix.txt" np.savetxt(path_confusion, np.reshape(list_cfs_mtrx

    76120

    Caffe源码 - SegAccuracyLayer

    include "caffe/blob.hpp" #include "caffe/common.hpp" #include "caffe/layer.hpp" #include "caffe/util/confusion_matrix.hpp "; // data 与 label 需有相同的 width //confusion_matrix_.clear(); //清空混淆矩阵 top[0]->Reshape(1, 1, 1, matrix info:" << confusion_matrix_.numRows() << "," << confusion_matrix_.numCols(); confusion_matrix _.accuracy(); // accuracy 精度 top[0]->mutable_cpu_data()[1] = (Dtype)confusion_matrix_.avgRecall(false ); // 平均 Recall top[0]->mutable_cpu_data()[2] = (Dtype)confusion_matrix_.avgJaccard(); // 平均 Jaccard

    41630

    机器学习 - 精度评价

    分类 - 混淆矩阵 Confusion Matrix sklearn.metrics.confusion_matrix from sklearn.metrics import confusion_matrix image.png C = confusion_matrix(gt_labels, pred_labels, labels=None, sample_weight=None)[source] # C gt_labels = [2, 0, 2, 2, 0, 1] pred_labels = [0, 0, 2, 2, 0, 2] confusion_matrix(gt_labels, pred_labels ) # array([[2, 0, 0], # [0, 0, 1], # [1, 0, 2]]) 示例2: from sklearn.metrics import confusion_matrix tn, fp, fn, tp = confusion_matrix([0, 1, 0, 1], [1, 1, 1, 0]).ravel() #(tn, fp, fn, tp) #(0, 2, 1, 1

    56770

    Tuning a random forest model调试随机森林模型

    (max_features=max_feature) rf.fit(X[training], y[training]) confusion_matrixes[max_feature] = confusion_matrix import pandas as pd confusion_df = pd.DataFrame(confusion_matrixes) import itertools from matplotlib Since we're using the confusion matrix, we can get the accuracy from the trace of the confusion matrix (x) / np.sum(x, dtype=float) confusion_matrixes[n_estimator] =accuracy(confusion_matrixes[n_estimator ]) accuracy_series = pd.Series(confusion_matrixes) # here's where we'll update the confusion matrix with

    76500

    【目标检测】YOLOv5:添加漏检率和虚检率输出

    class ConfusionMatrix: # Updated version of https://github.com/kaanakan/object_detection_confusion_matrix )) print("漏检率为:") print(confusion_matrix.lou / confusion_matrix.total) # 计算虚检率 print( "虚检样本数为:") print(int(confusion_matrix.xu)) print("虚检率为:") print(confusion_matrix.xu / confusion_matrix.total )) print("漏检率为:") print(confusion_matrix.lou / confusion_matrix.class_total) # 计算虚检率 print("虚检样本数为:") print(int(confusion_matrix.xu)) print("虚检率为:") print(confusion_matrix.xu / confusion_matrix.total)

    15950

    混淆矩阵简介与Python实现

    Python混淆矩阵的使用 confusion_matrix函数的使用 官方文档中给出的用法是 sklearn.metrics.confusion_matrix(y_true, y_pred, labels 是样本预测分类结果 labels:是所给出的类别,通过这个可对类别进行选择 sample_weight : 样本权重 实现代码: Python from sklearn.metrics import confusion_matrix y_true = [2, 1, 0, 1, 2, 0] y_pred = [2, 0, 0, 1, 2, 1] C=confusion_matrix(y_true, y_pred) print(C "cat", "ant", "cat", "cat", "ant", "bird"] y_pred = ["ant", "ant", "cat", "cat", "ant", "cat"] C2 = confusion_matrix

    99430

    消灭假新闻:使用Scikit-Learn检测虚假新闻

    我个人觉得confusion matrices更容易比较和阅读,所以我使用scikit-learn文档来构建一些易于阅读的confusion matrices(谢谢开源!)。 除了confusion matrices之外,scikit-learn有许多方法来可视化和比较模型。 0.857 Confusion matrix, without normalization ? 0.893 Confusion matrix, without normalization ? 0.936 Confusion matrix, without normalization ?

    2.1K50

    使用sklearn对多分类的每个类别进行指标评价操作

    方法可以输出该多分类问题的混淆矩阵,代码如下: from sklearn.metrics import confusion_matrix y_true = ['北京', '上海', '成都', '成都' y_pred = ['北京', '上海', '成都', '上海', '成都', '成都', '上海', '成都', '北京', '上海'] classes = ['北京', '上海', '成都'] confusion = confusion_matrix(y_true, y_pred) # 绘制热度图 plt.imshow(confusion, cmap=plt.cm.Greens) indices = range )): for second_index in range(len(confusion[first_index])): plt.text(first_index, second_index, confusion[first_index][second_index]) # 显示图片 plt.show() 生成的混淆矩阵图片如下: ?

    2.1K51

    基于 OpenCV 的图像分割

    confusion矩阵 我们sklearn.metrics.confusion_matrix()用来获取该矩阵元素,如下所示。 get_confusion_matrix_elements() def get_confusion_matrix_elements(groundtruth_list, predicted_list): get_confusion_matrix_intersection_mats() def get_confusion_matrix_intersection_mats(groundtruth, predicted confusion_matrix_arrs['fn'] = np.logical_and(groundtruth, predicted_inverse) return confusion_matrix_arrs get_confusion_matrix_overlaid_mask() def get_confusion_matrix_overlaid_mask(image, groundtruth, predicted

    66312

    用混淆矩阵计算kappa系数「建议收藏」

    matlab代码 下面是我写的matlab代码仅供参考 confusion_matrix=[239 21 16; 16 73 4; 6 9 280]; [row col]=size(confusion_matrix);%获取矩阵的行和列 fenleizhengque_yangben=diag(confusion_matrix); %分类正确的样本就是对角线上的值,这是一个列向量 yangbenzongshu=sum(confusion_matrix(:)); p0=sum(fenleizhengque_yangben)/yangbenzongshu 就用百度词条里的来算 a=sum(confusion_matrix,1);%第2个参数为1是按列求值,把同一列的数加起来,这是行向量 b=sum(confusion_matrix,2);%第2个参数为2 % a=sum(confusion_matrix,2);%第2个参数为2是按行求值,把同一行的数加起来,这是列向量 % b=sum(confusion_matrix,1);%第2个参数为1是按列求值,把同一列的数加起来

    19210

    CNN中的混淆矩阵 | PyTorch系列(二十三)

    原标题:CNN Confusion Matrix With PyTorch - Neural Network Programming 在这节课中,我们将建立一些函数,让我们能够得到训练集中每个样本的预测张量 绘制混淆矩阵 为了将实际的混淆矩阵生成为numpy.ndarray,我们使用sklearn.metrics库中的confusion_matrix()函数。让我们将其与其他需要的导入一起导入。 plot_confusion_matrix 对于最后一次导入,请注意plotcm是一个文件plotcm.py,位于当前目录中的资源文件夹中。 该函数称为plot_confusion_matrix()。plotcm.py文件需要包含以下内容,并且位于当前目录的resources文件夹中。 我们已经准备好绘制混淆矩阵,但是首先我们需要创建一个预测类名称列表,以传递给plot_confusion_matrix()函数。

    2.5K10

    扫码关注腾讯云开发者

    领取腾讯云代金券