作者：十歲的小男孩? ?

凡心所向，素履可往

目錄

　　監(jiān)督學習—混淆矩陣

　　　　是什么？有什么用？怎么用？

　　非監(jiān)督學習—匹配矩陣

混淆矩陣

矩陣每一列代表預測值，每一行代表的是實際的類別。這個名字來源于它可以非常容易的表明多個類別是否有混淆（也就是一個class被預測成另一個class）。

假設有一個用來對貓（cats）、狗（dogs）、兔子（rabbits）進行分類的系統(tǒng)，混淆矩陣就是為了進一步分析性能而對該算法測試結果做出的總結。假設總共有?27?只動物：8只貓，?6條狗，?13只兔子。結果的混淆矩陣如上圖：

在這個混淆矩陣中，實際有8只貓，但是系統(tǒng)將其中3只預測成了狗；對于6條狗，其中有1條被預測成了兔子，2條被預測成了貓。從混淆矩陣中我們可以看出系統(tǒng)對于區(qū)分貓和狗存在一些問題，但是區(qū)分兔子和其他動物的效果還是不錯的。所有正確的預測結果都在對角線上，所以從混淆矩陣中可以很方便直觀的看出哪里有錯誤，因為他們呈現在對角線外面。

tf.confusion_matrix

定義：

tf.confusion_matrix(labels,predictions,num_classes=None,dtype=tf.int32,name=None,weights=None )

ARGS：

• labels：Tensor分類任務的1-D?真實標簽。
• predictions：Tensor給定分類的1-D?預測。
• num_classes：分類任務可能具有的標簽數量。如果未提供此值，則將使用預測和標簽數組計算該值。
• dtype：混淆矩陣的數據類型。
• name：范圍名稱。
• weights：可選Tensor的形狀匹配predictions。

返回：

　　甲Tensor類型的dtype具有形狀[n, n]表示所述混淆矩陣，其中n是在分類任務可能的標簽的數量。

例子：

tf.confusion_matrix([1, 2, 4], [2, 2, 4]) ==>[[0 0 0 0 0][0 0 1 0 0][0 0 1 0 0][0 0 0 0 0][0 0 0 0 1]]

請注意，假設可能的標簽是[0, 1, 2, 3, 4]，導致5x5混淆矩陣。

我的圖片分類項目中遇到的實例：

1.定義兩個矩陣，用于放真實的標簽和預測的標簽，大小根據測試的次數計算,全為0.[1,test_num]

Y_true=np.zeros(len(test_num))#真實的標簽 Y_predict=np.zeros(len(test_num))#預測的標簽

2.將每步訓練的標簽放在矩陣中，我的項目中預測的的為標簽，類似[0,0,0,1,0,0,0]，取出最大的，即為4，本步在循環(huán)中，記錄每步訓練。

Y_true[step_test]=np.argmax(testing_ys) Y_predict[step_test]=np.argmax(predict)

3.調用TensorFlow的混淆矩陣函數，這一步需要將矩陣轉換為tensor，在TensorFlow中運行的單元為tensor

confuse_martix=sess.run(tf.convert_to_tensor(tf.confusion_matrix(Y_true,Y_predict))) print(confuse_martix)

4.結果

匹配矩陣

在預測分析中，混淆表格（有時候也稱為混淆矩陣），是由false positives，falsenegatives，true positives和true negatives組成的兩行兩列的表格。它允許我們做出更多的分析，而不僅僅是局限在正確率，對于上面的矩陣，可以表示為下面的表格

?

查準率 = 精度 = precision?

查全率 = 召回率 = recall

?

本文僅用于學習研究，非商業(yè)用途，歡迎大家指出錯誤一起學習

本文參考了以下地址的講解，萬分感謝,如有侵權，請聯系我會盡快刪除，929994365@qq.com：

TensorFlow API網站：https://tensorflow.google.cn/api_docs/python/tf/confusion_matrix，TensorFlow的api在這個網站都可以查到

https://blog.csdn.net/qq_28448117/article/details/78219549

轉載于:https://www.cnblogs.com/missidiot/p/9450662.html

總結

以上是生活随笔為你收集整理的confusion_matrix（混淆矩阵）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。