混淆矩阵评价指标

pythonSuperman

已于 2024-05-29 18:08:04 修改

阅读量185

点赞数 3

分类专栏：论文复现文章标签：矩阵线性代数

于 2024-04-08 14:28:24 首次发布

本文链接：https://blog.csdn.net/llf000000/article/details/137508052

版权

论文复现专栏收录该内容

36 篇文章 0 订阅

订阅专栏

概念

参考视频：

使用pytorch和tensorflow计算分类模型的混淆矩阵_哔哩哔哩_bilibili

混淆矩阵是评判模型结果的一种指标，属于模型评估的一部分，常用于评判分类器模型的优劣。

准确率：所有预测正确的验证集样本个数/所有的验证集样本个数。在混淆矩阵中，分子为对角线上所有数字之和，分母为混淆矩阵所有数字之和。

计算公式

实例

准确率

精确率

召回率（sensitivity）

特异度

其他

SE、SP和YI是评估分类模型性能时常用的几个统计指标，特别是在医学影像处理、疾病诊断等领域，这些指标帮助了解模型对于正负类样本的识别能力。

SE (Sensitivity)，也称为真正率（True Positive Rate, TPR）或召回率（Recall），衡量的是模型正确识别正类（病例）的能力。计算公式为：其中，TP（True Positives）是真正例的数量，FN（False Negatives）是假负例的数量。

SP (Specificity)，也称为真负率（True Negative Rate, TNR），衡量的是模型正确识别负类（非病例）的能力。计算公式为：其中，TN（True Negatives）是真负例的数量，FP（False Positives）是假正例的数量。

YI (Youden’s Index)，也称为Youden指数，是一个综合考虑了敏感性和特异性的指标，用于评价测试的总体有效性。计算公式为：Youden指数的范围从0到1，值越大表示测试的性能越好，即同时具有较高的敏感性和特异性。

这些指标对于理解模型在特定任务上的表现至关重要，尤其是在正负样本分布不平衡的情况下。通过评估敏感性和特异性，可以确保模型不仅仅是优先预测多数类，而是真正能够区分不同类别的样本。Youden指数提供了一个简单的度量标准，以确定模型是否在不牺牲一个指标的情况下，同时优化了敏感性和特异性。

代码实战2

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.metrics import confusion_matrix
import matplotlib

# 创建示例的混淆矩阵数据
actual_labels = ['cat', 'dog', 'bird']
predicted_labels = ['cat', 'dog', 'bird']
confusion_mat = np.array([[10, 2, 1],
                          [3, 15, 2],
                          [0, 1, 8]])

# 创建混淆矩阵图像
plt.figure(figsize=(8, 6))
sns.heatmap(confusion_mat, annot=True, cmap='Blues', xticklabels=predicted_labels, yticklabels=actual_labels)
# annot=True 参数用于在每个单元格中显示数值  cmap='Blues'参数用于设置颜色映射。

# 添加图像标题和坐标轴标签
plt.title('Confusion Matrix')
plt.xlabel('Predicted Labels')
plt.ylabel('Actual Labels')

# Save the figure
plt.savefig('confusion_matrix.png', dpi=300)  # Saves the plot as a PNG file with 300 DPI

# 显示图像
plt.show()

探究每个类的准确率、召回率sensitivity记忆平均准确率的关系

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.metrics import confusion_matrix
import matplotlib

# 创建示例的混淆矩阵数据
actual_labels = ['cat', 'dog', 'bird']
predicted_labels = ['cat', 'dog', 'bird']
confusion_mat = np.array([[10, 2, 1],
                          [3, 15, 2],
                          [0, 1, 8]])

# 创建混淆矩阵图像
plt.figure(figsize=(8, 6))
sns.heatmap(confusion_mat, annot=True, cmap='Blues', xticklabels=predicted_labels, yticklabels=actual_labels)
# annot=True 参数用于在每个单元格中显示数值  cmap='Blues'参数用于设置颜色映射。

# 添加图像标题和坐标轴标签
plt.title('Confusion Matrix')
plt.xlabel('Predicted Labels')
plt.ylabel('Actual Labels')

# Save the figure
plt.savefig('confusion_matrix2.png', dpi=300)  # Saves the plot as a PNG file with 300 DPI

# 显示图像
plt.show()

# 计算平均准确率
total_correct = np.trace(confusion_mat)  # 对角线元素之和
total_samples = np.sum(confusion_mat)    # 所有元素之和
average_accuracy = total_correct / total_samples
print(f'Average Accuracy: {average_accuracy:.2f}')

# 计算每个类别的精确度（Precision）
precision_per_class = confusion_mat.diagonal() / np.sum(confusion_mat, axis=0)
for label, precision in zip(actual_labels, precision_per_class):
    print(f'Precision for {label}: {precision:.2f}')

# 计算每个类别的准确率（Recall）
recall_per_class = confusion_mat.diagonal() / np.sum(confusion_mat, axis=1)
for label, recall in zip(actual_labels, recall_per_class):
    print(f'Recall for {label}: {recall:.2f}')