混淆矩阵、准确率、F1和召回率的具体实现及混淆矩阵的可视化

        utils专栏不会细讲概念性的内容偏向实际使用如有问题欢迎留言。如果对你有帮助就点个赞哈也不搞什么粉丝可见有的没的有帮助点个赞就ok

1、混淆矩阵、准确率、F1和召回率的计算

混淆矩阵    对于混淆矩阵的计算这个我们直接从sklearn.metrics导入confusion_matrix计算只需要向其中传递两个参数一个是y_true一个是y_pred就可以直接得到混淆矩阵了

from sklearn.metrics import confusion_matrix
confMatrix = confusion_matrix(label, pre)

        这个是随便拿了个数据集加载了预训练参数跑了1轮的混淆矩阵 

          准确率、F1和召回率的计算我们直接使用混淆矩阵来计算混淆矩阵可以帮助我们很好的获得以下每类的数目

• TPTrue Positive正确的正例一个实例是正类并且也被判定成正类
• FNFalse Negative错误的反例漏报本为正类但判定为假类
• FPFalse Positive错误的正例误报本为假类但判定为正类
• TNTrue Negative正确的反例一个实例是假类并且也被判定成假类

准确率

精确率

召回率

F1

        相关的理论部分这里不过介绍直接上代码实现最后返回的是总的精确率、总的召回率、总的F1_score、一个图表可视化和一个几何平均可以根据自己的需要来调整代码比如只需要某一类的召回率等等

        注使用图标可视化精确率、召回率和F1时请先

import prettytable

def calculate_prediction_recall(label, pre, classes=None):
    """
    计算准确率和召回率:传入预测值及对应的真实标签计算
    :param label:标签
    :param pre:对应的预测值
    :param classes:类别名None则为数字代替
    :return:
    """
    if classes:
        classes = list(range(classes))

    # print(classes)
    confMatrix = confusion_matrix(label, pre)
    print(confMatrix)
    total_prediction = 0
    total_recall = 0
    result_table = prettytable.PrettyTable()
    class_multi = 1
    result_table.field_names = ['Type', 'Prediction(精确率)', 'Recall(召回率)', 'F1_Score']
    for i in range(len(confMatrix)):
        label_total_sum_col = confMatrix.sum(axis=0)[i]
        label_total_sum_row = confMatrix.sum(axis=1)[i]
        if label_total_sum_col:     # 防止除0
            prediction = confMatrix[i][i] / label_total_sum_col
        else:
            prediction = 0
        if label_total_sum_row:
            recall = confMatrix[i][i] / label_total_sum_row
        else:
            recall = 0
        if (prediction + recall) != 0:
            F1_score = prediction * recall * 2 / (prediction + recall)
        else:
            F1_score = 0
        result_table.add_row([classes[i], np.round(prediction, 3), np.round(recall, 3),
                              np.round(F1_score, 3)])

        total_prediction += prediction
        total_recall += recall
        class_multi *= prediction
    total_prediction = total_prediction / len(confMatrix)
    total_recall = total_recall / len(confMatrix)
    total_F1_score = total_prediction * total_recall * 2 / (total_prediction + total_recall)
    geometric_mean = pow(class_multi, 1 / len(confMatrix))

    return total_prediction, total_recall, total_F1_score, result_table, geometric_mean, confMatrix

        图标可视化的一个结果展示注意图标显示的是每一类的准确率、召回率和F1函数返回的是总的准确率、召回率和F1可以根据自己的需要进行修改代码

2、混淆矩阵的可视化

        没什么好说的直接上代码

def plot_confusion_matrix(cm, classes, normalize=False, title='Confusion matrix', cmap=plt.cm.Blues):
    """
    混淆矩阵的可视化: 传入混淆矩阵和类别名或数字代替
    :param cm: 混淆矩阵
    :param classes: 类别
    :param normalize:
    :param title:
    :param cmap:
    :return:
    """
    if normalize:
        cm = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis]
        print("Normalized confusion matrix")
    else:
        print('Confusion matrix, without normalization')

    plt.imshow(cm, interpolation='nearest', cmap=cmap)
    plt.title(title)
    plt.colorbar()
    tick_marks = np.arange(len(classes))
    plt.xticks(tick_marks, classes, rotation=45)
    plt.yticks(tick_marks, classes)

    fmt = '.2f' if normalize else 'd'
    thresh = cm.max() / 2.
    for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])):
        plt.text(j, i, format(cm[i, j], fmt), horizontalalignment="center", color="white" if cm[i, j] > thresh else "black")

    plt.tight_layout()
    plt.ylabel('True label')
    plt.xlabel('Predicted label')
    plt.savefig('runs/picture/confMatrix.jpg')
    plt.show()

        结果展示