超级会员免费看
本文介绍了混淆矩阵的概念，强调在准确率高的情况下，矩阵对角线上的值通常较大。作者分享了如何手动创建混淆矩阵，并指出多分类和多标签情况的处理。在实现过程中，注意标签的一一对应和顺序一致性对结果的影响。还提到了使用sklearn库的示例，并提到在特定场景下，不考虑标签不全的情况。文章最后提供了相关问题讨论的QQ群信息。
说起混淆矩阵这玩意，要从当年我记TP，FP，TN，FN说起。
但我不想扯太远，简而言之就是个矩阵，如果acc够好的话，那么这个矩阵的对角线上的值最大，如果是热度图，那么颜色最深。
自己写个函数也不费劲。预测的结果和ground_truth直接排一下就哦了。多分类和多标签问题暂不支持，当然有这个。
寡人试试徒手造个小轮子，看看是否费劲。【造得了轮子，登得了大雅之堂，事无巨细，事必躬亲，身体力行，差不多就等寡人亲政了，哈哈】
在truth和pred中，必然是一一对应，且shape一样，都是一维度。
另外标签应具有唯一性，如果给定了所有标签labels的话，truth及pred的标签必须都在labels中，如果没有给定labels，那么需要先求出labels，以set来定。
遇到各种小细节，不过最后终于得到稳定的结果：
标签一定要固定顺序，不然结果一直变，还以为是错了，其实不是，标签顺序不同，CM不同
如果给定了标签，那么标签的顺序不能修改。
仍旧记得speech_command，tf官方给的最简单的语音识别的case，这里面有提及怎么求，这里还是用tf，当然也有其他现成的函数，在sklearn中。以sklearn中例子来说明
上结果：不考虑给定的标签不全的问题,也就是说给定的标签有误,只是一个比较的问题,不再写<
订阅专栏 解锁全文
5658
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
