【机器学习|评价指标8】混淆矩阵（Confusion Matrix）、Cohen‘s Kappa 系数、详解，平均交并比（mIoU）、列联表（Contingency Table）附代码。

【机器学习|评价指标8】混淆矩阵（Confusion Matrix）、Cohen‘s Kappa 系数、详解，平均交并比（mIoU）、列联表（Contingency Table）附代码。

【机器学习|评价指标8】混淆矩阵（Confusion Matrix）、Cohen‘s Kappa 系数、详解，平均交并比（mIoU）、列联表（Contingency Table）附代码。

---

---

欢迎铁子们点赞、关注、收藏！
祝大家逢考必过！逢投必中！上岸上岸上岸！upupup

大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文。详细信息可关注VX “学术会议小灵通”或参考学术信息专栏：https://blog.csdn.net/2401_89898861/article/details/147776758

---

前言

• 真正例（True Positive, TP）：模型正确地将正类样本预测为正类。
• 假正例（False Positive, FP）：模型错误地将负类样本预测为正类。
• 真负例（True Negative, TN）：模型正确地将负类样本预测为负类。
• 假负例（False Negative, FN）：模型错误地将正类样本预测为负类。

混淆矩阵（Confusion Matrix）

概念

• 混淆矩阵用于评估分类模型的性能，通过比较预测标签与真实标签的关系，统计 TP（真正例）、FP（假正例）、FN（假负例）和 TN（真负例）的数量。

Python 示例

from sklearn.metrics import confusion_matrix

# 假设的真实标签和预测标签
y_true = [0, 1, 1, 0, 1, 0]
y_pred = [0, 1, 0, 0, 1, 1]

# 计算混淆矩阵
cm = confusion_matrix(y_true, y_pred)
print("Confusion Matrix:")
print(cm)

Cohen’s Kappa 系数（Cohen’s Kappa Coefficient）

概念

• Cohen’s Kappa 系数用于衡量两个分类器或评估者之间的一致性，考虑了偶然一致的可能性。

数学公式

其中：

• $p_o$ 是观察到的一致性（即准确率）
• $p_e$是预期的一致性（即随机一致的概率）

Python 示例

from sklearn.metrics import cohen_kappa_score

# 假设的两个评估者的分类结果
rater1 = [0, 1, 1, 0, 1, 0]
rater2 = [0, 1, 0, 0, 1, 1]

# 计算 Cohen's Kappa 系数
kappa = cohen_kappa_score(rater1, rater2)
print(f"Cohen's Kappa: {kappa:.2f}")

平均交并比（Mean Intersection over Union, mIoU）

定义

• 平均交并比（mIoU）是语义分割任务中常用的评价指标，衡量预测区域与真实区域的重叠程度。

数学公式

其中：

• $T{P}_k$ 是第 $k$ 类的真正例数，
• $F{P}_k$ 是第 $k$ 类的假正例数，
• $F{N}_k$ 是第 $k$ 类的假负例数，
• $K$ 是类别总数。

Python 示例

import numpy as np
from sklearn.metrics import confusion_matrix

def compute_miou(y_true, y_pred, num_classes):
    cm = confusion_matrix(y_true, y_pred, labels=range(num_classes))
    intersection = np.diag(cm)
    union = cm.sum(axis=1) + cm.sum(axis=0) - intersection
    iou = intersection / np.maximum(union, 1)
    miou = np.mean(iou)
    return miou

# 示例数据
y_true = [0, 1, 2, 1, 0]
y_pred = [0, 2, 1, 1, 0]

# 计算 mIoU
miou = compute_miou(y_true, y_pred, num_classes=3)
print(f"mIoU: {miou:.2f}")

列联表（Contingency Table）

概念

• 列联表用于展示两个或多个分类变量之间的关系，常用于统计分析中检验变量之间的独立性。

Python 示例

import pandas as pd

# 示例数据
data = {'Gender': ['Male', 'Female', 'Male', 'Female', 'Male'],
        'Purchased': ['Yes', 'No', 'Yes', 'No', 'Yes']}

df = pd.DataFrame(data)

# 创建列联表
contingency_table = pd.crosstab(df['Gender'], df['Purchased'])
print("Contingency Table:")
print(contingency_table)