Python實現(xiàn)兩種多分類混淆矩陣

更新時間：2022年06月07日 11:14:41 作者：胖大海pyh

這篇文章主要為大家介紹了Python實現(xiàn)兩種多分類混淆矩陣，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪

1、什么是混淆矩陣

深度學習中，混淆矩陣是ROC曲線繪制的基礎，同時它也是衡量分類型模型準確度中最基本，最直觀，計算最簡單的方法。它可以直觀地了解分類模型在每一類樣本里面表現(xiàn)，常作為模型評估的一部分。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）。

首先要明確幾個概念：

T或者F：該樣本是否被正確分類。

P或者N：該樣本原本是正樣本還是負樣本。

真正例(True Positive，TP)：預測正確；模型預測也是正例，樣本的真實類別是正例，
真負例(True Negative，TN)：預測正確：模型預測為負例，樣本的真實類別是負例，
偽正例(False Positive，F(xiàn)P)：預測錯誤：模型預測為正例，樣本的真實類別是負例，
偽負例(False Negative，F(xiàn)N)：預測錯誤；模型預測為負例，樣本的真實類別是正例，

將這四個指標一起呈現(xiàn)在表格中，就能得到如下這樣一個矩陣，我們稱它為混淆矩陣（Confusion Matrix），這里從其他文章偷了張圖：

在混線矩陣中，以對角線為分界線。以上圖為例子：對角線的位置表示預測正確，對角線以外的位置表示把樣本錯誤的預測為其他樣本。

2、分類模型評價指標

從混淆矩陣可以直觀地看出各個參數(shù)的數(shù)值大小。查準率是在模型預測為正的所有樣本中，模型預測對的比重，即：“分類器認為是正類并且確實是正類的部分占所有分類器認為是正類的比例”。計算公式如下式所示：

F1-Score指標綜合了Precision與Recall的產(chǎn)出的結果。F1-Score的取值范圍從0到1的，1代表模型的輸出最好，0代表模型的輸出結果最差，計算公式如下式所示：

（4）

除了F1分數(shù)之外，F(xiàn)2分數(shù)和F0.5分數(shù)在統(tǒng)計學中也得到大量的應用。其中，F(xiàn)2分數(shù)中，召回率的權重高于精準率，而F0.5分數(shù)中，精準率的權重高于召回率。

3、兩種多分類混淆矩陣

多分類混淆矩陣根據(jù)不同需求可以繪制不同的矩陣：

1、直接打印出每一個類別的分類準確率。

2、打印具體的分類結果的數(shù)值，方便數(shù)據(jù)的分析和各類指標的計算

在介紹具體代碼之前，首先來介紹confusion_matrix()函數(shù)，它是Python中的sklearn庫提供的輸出矩陣數(shù)據(jù)的方法：

def confusion_matrix(y_true, y_pred, labels=None, sample_weight=None):

參數(shù)意義：

y_true: 是樣本真實分類結果，y_pred: 是樣本預測分類結果
y_pred：預測結果
labels：是所給出的類別，通過這個可對類別進行選擇
sample_weight : 樣本權重

3.1直接打印出每一個類別的分類準確率。

# 顯示混淆矩陣
def plot_confuse(model, x_val, y_val):
   # 獲得預測結果
    predictions = predict(model,x_val)
    #獲得真實標簽
    truelabel = y_val.argmax(axis=-1)   # 將one-hot轉化為label
    cm = confusion_matrix(y_true=truelabel, y_pred=predictions)
    plt.figure()
    # 指定分類類別
    classes = range(np.max(truelabel)+1)
    title='Confusion matrix'
   #混淆矩陣顏色風格
    cmap=plt.cm.jet
    cm = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis]
    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)
    thresh = cm.max() / 2.
   # 按照行和列填寫百分比數(shù)據(jù)
    for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])):
        plt.text(j, i, '{:.2f}'.format(cm[i, j]), horizontalalignment="center",
                 color="white" if cm[i, j] > thresh else "black")
    plt.tight_layout()
    plt.ylabel('True label')
    plt.xlabel('Predicted label')
    plt.show()

3.2打印具體的分類結果的數(shù)值

# 顯示混淆矩陣
def plot_confuse_data(model, x_val, y_val):
    classes = range(0,6)
    predictions = predict(model,x_val)
    truelabel = y_val.argmax(axis=-1)   # 將one-hot轉化為label
    confusion = confusion_matrix(y_true=truelabel, y_pred=predictions)
    #顏色風格為綠。。。。
    plt.imshow(confusion, cmap=plt.cm.Greens)
# ticks 坐標軸的坐標點
# label 坐標軸標簽說明
    indices = range(len(confusion))
# 第一個是迭代對象，表示坐標的顯示順序，第二個參數(shù)是坐標軸顯示列表
    plt.xticks(indices, classes)
    plt.yticks(indices, classes)
    plt.colorbar()
    plt.xlabel('Predicted label')
    plt.ylabel('True label')
    plt.title('Confusion matrix')

# plt.rcParams兩行是用于解決標簽不能顯示漢字的問題
    plt.rcParams['font.sans-serif']=['SimHei']
    plt.rcParams['axes.unicode_minus'] = False

# 顯示數(shù)據(jù)
    for first_index in range(len(confusion)):    #第幾行
        for second_index in range(len(confusion[first_index])):    #第幾列
            plt.text(first_index, second_index, confusion[first_index][second_index])
# 顯示
    plt.show()