什么是混淆矩阵？怎么理解np.bincount(n_class * label_true[mask].astype(int) + label_pred[mask])

https://blog.csdn.net/sinat_29047129/article/details/103642140

理解混淆矩阵

1. 概念

混淆矩阵（Confusion Matrix），一个分类模型的评价指标，统计归对类、归错类的样本的个数（对图像来说就是样本就是所有像素），然后把结果放在一个表里展示出来，这个表就是混淆矩阵。

2. 初步理解混淆矩阵

以二分类混淆矩阵作为入门，多分类混淆矩阵都是以二分类为基础作为延伸的！

Q： 什么是二分类？

A： 顾名思义，分类器（又叫：网络模型、学习器）对两个类别进行分类处理的问题，就叫二分类

对于二分类问题，将类别1称为正例（Positive），类别2称为反例（Negative），分类器预测正确记作真（True），预测错误记作（False），由这4个基本术语相互组合，构成混淆矩阵的4个基础元素，为：

• TP（True Positive）：真正例，模型预测为正例，实际是正例（模型预测为类别1，实际是类别1）

• FP（False Positive）：假正例，模型预测为正例，实际是反例 （模型预测为类别1，实际是类别2）

• FN（False Negative）：假反例，模型预测为反例，实际是正例 （模型预测为类别2，实际是类别1）

• TN（True Negative）：真反例，模型预测为反例，实际是反例 （模型预测为类别2，实际是类别2）

混淆矩阵示意图（参考：西瓜书 p30）：

根据混淆矩阵计算其他常见模型评价指标：

• 准确率（Accuracy），对应语义分割的像素准确率 PA

公式：Accuracy = (TP + TN) / (TP + TN + FP + FN)

意义：对角线计算。预测结果中正确的占总预测值的比例（对角线元素值的和 / 总元素值的和）

• 精准率（Precision），对应语义分割的类别像素准确率 CPA

公式：Precision = TP / (TP + FP) 或 TN / (TN + FN)

意义：竖着计算。预测结果中，某类别预测正确的概率

• 召回率（Recall），不对应语义分割常用指标

公式：Recall = TP / (TP + FN) 或 TN / (TN + FP)

意义：横着计算。真实值中，某类别被预测正确的概率

3. 三分类模型分类结果的混淆矩阵示意图

• 准确率：Accuracy = (a + e + i) / (a + b + c + d + e +f + g + h + i)

• 类别1精准率：P1 = a / (a + d + g)

• 类别1召回率：R1 = a / (a + b + c)

混淆矩阵计算代码

# 计算混淆矩阵
def _fast_hist(label_true, label_pred, n_class):
    mask = (label_true >= 0) & (label_true < n_class)
    hist = np.bincount(
        n_class * label_true[mask].astype(int) +
        label_pred[mask], minlength=n_class ** 2).reshape(n_class, n_class)
    return hist
# 例如
label_true  = np.array([[0,1,0],[2,1,0],[2,2,1]])
label_pred = np.array([[1,1,0],[2,1,1],[2,2,1]])
n_class = 3
confusionmatrix = _fast_hist(label_true, label_pred, n_class)

在这个例子中，各个变量、中间变量的值如下所示：

代码理解

对于核心代码 np.bincount(n_class * label_true[mask].astype(int) + label_pred[mask], minlength=n_class ** 2)的理解，此函数用于产生n*n的分类统计表

https://blog.csdn.net/weixin_43143670/article/details/104722381

1. mask = (label_true >= 0) & (label_true < n_class)

这一句是为了保证标记的正确性（标记的每个元素值在[0, n_class）内），标记正确得到的mask是一个全为true的数组。

2. label_true[mask]及label_pred[mask]把label_true、label_pred拉平为一维数组。

3. 令a = label_true[mask]，b = label_pred[mask]，

c = n_class * label_true[mask] + label_pred[mask] = n_class * a + b，

当a=0,b=0时，c=0；当a=0,b=1时，c=1；……；当a=2,b=2时，c=8，得到以下对应表。

label_true[i]=	0	0	0	1	1	1	2	2	2
label_pred[i]=	0	1	2	0	1	2	0	1	2
c[i]=	0	1	2	3	4	5	6	7	8

因此可根据c的值推出a、b的值，以下面这个计算结果为例，

c[0]=1,可推知label_true[mask][0]=0,label_pred[mask][0]=1，即c=1,（label_true,label_pred）=(0,1)

c[1]=4,可推知label_true[mask][1]=1,label_pred[mask][1]=1，即c=4,（label_true,label_pred）=(1,1)

……

简而言之，n_class * label_true[mask] + label_pred[mask]的作用是建立一个由索引查询（label_true,label_pred）这个数对的字典。

4. d = np.bincount(c,minlength=n_class ** 2)的作用是统计c中每个元素出现的次数，比如0出现了1次，1出现了2次……，8出现了3次。d的维度默认是c中最大值+1，此处设为n_class ** 2。由c[i]的值可知标签图、预测图在位置i处的值，即真实值和预测值，通过np.bincount()统计c的每个元素（从0到（n_class ** 2 - 1））出现的次数，就意味着得到了每个（label_true,label_pred）对出现的次数，比如c=0出现了1次，可推知（0,0）对出现的次数就是1，c=8出现了3次，可推知（2,2）对出现的次数就是3，填入下表，就得到了混淆矩阵。

混淆矩阵		预测值
		0	1	2
真实值	0	1	2	0
	1	0	3	0
	2	0	0	3