混淆矩阵的计算方式

已于 2022-08-25 16:00:02 修改
阅读量3.2k 收藏 4
点赞数 4
分类专栏： 深度学习 文章标签： 深度学习 算法 矩阵 神经网络 计算机视觉
于 2022-07-19 11:20:06 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_45447650/article/details/125864610
版权

下图中有三个序列，L表示标签值，P表示预测值，n表示分类数。

我们需要计算n×L+P来计算预测结果值，当L和P都取最大时，得出的结果就是其最大计算空间。

例如下图，L∈(0~5)，P∈(0~5)，则n×L+P∈(0~35)

然后我们将n×L+P映射到36维的一维序列中，如下图最后一个序列所示，该序列表示计算n×L+P中每一个值出现的次数，故该序列中的1,2等都为其对应数值出现的次数。

最终，我们需要得到一个混淆矩阵，故我们需要将一维序列映射到二维空间。

计算二维矩阵的数值存放空间bin=max(n×L+P)+1

则混淆矩阵为\sqrt{bin}\times \sqrt{bin}的矩阵，图中的0~35的序列可以生成6×6的矩阵

如图，按0~35的索引依次排序，得到混淆矩阵

矩阵中，蓝色代表行和，绿色代表列和，粉色代表对角线元素

分割中的评价指标及其对应混淆矩阵的计算方法如下所示

Billie使劲学
关注
  • 4
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
混淆矩阵举例说明
qq_35368303的博客
03-10 1895
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、动机二、概念三、数学式四、例子对比五、结论 前言 对混淆矩阵进行讲述 一、动机 为了查验算法是否合理，适用于不平衡数据集。避免算法准确率高是因为预测类别全部分为其中一类。 二、概念 下面先介绍常见的模型评价术语。我们分类目标有两类，计为正例（positive）和负例（negtive）： True positives(TP):被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）。 False .
计算方法有关矩阵
李典金
12-05 1357
计算方法有关矩阵
模型评估——混淆矩阵confusion_matrix
abc123mma的博客
02-04 1万+
本篇文章我们讲一个评估方法，混淆矩阵（confusion_matrix ） 混淆矩阵定义及表示含义 ： 混淆矩阵以矩阵形式将数据集中的记录按照真实的类别与分类模型预测的类别判断两个标准进行汇总。其中矩阵的行表示真实值，矩阵的列表示预测值。 TP（True Positive）: 将正类预测为正类数 即正确预测，真实为0，预测也为0 FN （False Negative）：将正类预测为负类 即错误预测，真实为0，预测为1 FP（False Positive）：将负类预测为正类数 即错误预测...
【Python】【机器学习】混淆矩阵的各项指标计算
最新发布
SmallBamboo的博客
05-17 1365
False Negative (FN) = **明明是正例，但很不幸，我猜它是反例的数量。精确率（Precision）精确率表示**模型预测为正类的样本中，实际为正类的比例。**它衡量了模型在正类预测中的准确性。召回率（Recall）召回率表示**实际为正类的样本中，被模型正确预测为正类的比例。True Negative (TN) = **是反例，且很幸运我也猜它是反例的数量。True Positive (TP) = **是正例，且很幸运我也猜它是正例的数量。**此处4表示有4张图片是猫，且我也猜它是猫。
混淆矩阵计算（适用二分类）
08-05
在表格中输入二分类混淆矩阵值，可以自动的计算出OA、召回率、精确率、F1、Kappa系数。仅适用二分类，计算混淆矩阵
混淆矩阵计算
总有人间一两风，填我十万八千梦
06-07 8234
混淆矩阵及相关精度指标计算和实现记录
[机器学习笔记] 混淆矩阵（Confusion Matrix）
热门推荐
梅森上校的博客 业精于勤荒于嬉，形成于思毁于随。
03-24 12万+
混淆矩阵（Confusion Matrix） 在机器学习领域，混淆矩阵（Confusion Matrix），又称为可能性矩阵或错误矩阵。混淆矩阵是可视化工具，特别用于监督学习，在无监督学习一般叫做匹配矩阵。在图像精度评价中，主要用于比较分类结果和实际测得值，可以把分类结果的精度显示在一个混淆矩阵里面。 混淆矩阵的结构一般如下图表示的方法。 混淆矩阵要表达的含义： 混淆矩阵的每一列代表了预测...
评估分类模型—混淆矩阵Confusion Matrix与评估指标
qq_44733706的博客
05-11 4469
对于设计好的分类模型，需要大量的数据集来对其性能进行评估，因此了解评估指标是十分重要的。
混淆矩阵以及精确率召回率的计算
heihei2017的博客
06-27 2万+
混淆矩阵是用来总结一个分类器结果的矩阵。对于k元分类，其实它就是一个k x k的表格，用来记录分类器的预测结果。 对于最常见的二元分类来说，它的混淆矩阵是2乘2的，如下 TP = True Postive = 真阳性； FP = False Positive = 假阳性 FN = False Negative = 假阴性； TN = True Negative = 真阴性 比如我...
有关矩阵的计算
m0_47055280的博客
06-16 682
有关矩阵的计算 #include<iostream> #include<math.h> #include<iomanip> using namespace std; int used[10]={0}; int tmp_array[10]; int tmp_coffeicient[10]={0}; int result=0; class MATRIX{ private: int matrix[10][10]={{0}}; int tmp_mat
matlab实现混淆矩阵最简单方式
05-18
使用matlab编写多分类结果生成的混淆矩阵，最简单方式。11111111111111111111111
confusion_matrix.m_混淆矩阵生成_混淆矩阵_
10-01
它可以帮助我们分析模型在不同类别上的表现，尤其对于多类分类问题，混淆矩阵提供了一种直观的方式来评估模型的准确性和误分类的情况。混淆矩阵通常有四个主要的统计指标：真正例（True Positives, TP）、假正例...
混淆矩阵
02-23
MATLAB还提供了其他工具，如`classperf`，用于根据混淆矩阵计算各种性能指标。 在提到的“烟酒僧”这个标签，可能是指在某个特定的数据集或场景下，混淆矩阵被应用于涉及烟草和酒精消费的预测模型。在这种情况下，...
python sklearn包——混淆矩阵、分类报告等自动生成方式
09-17
本篇文章将详细介绍如何利用`sklearn`包自动生成混淆矩阵和分类报告，以帮助我们更好地理解模型的性能。 1. 数据预处理 在机器学习中，数据预处理是关键步骤，包括数据清洗、标准化和特征选择。在提供的代码中，`my...
confusion_matrix1.zip_confusion_matrix1_matlab混淆矩阵_混淆矩阵_混淆矩阵matl
07-15
标题中的"confusion_matrix1.zip_confusion_matrix1_matlab混淆矩阵_混淆矩阵_混淆矩阵matlab 画混淆矩阵"表明这是一个使用MATLAB编写的程序，用于绘制和理解混淆矩阵。MATLAB是一种广泛使用的数值计算和数据可视化...
多分类中混淆矩阵的TP,TN,FN,FP计算
m0_62919535的博客
09-16 3929
创建混淆矩阵# 寻找GT中为目标的像素索引# 统计像素真实类别t[k]被预测成类别p[k]的个数@property"""计算混淆矩阵的TN, FP, FN, TP"""if n == 2:if n > 2:"""主要在eval的时候使用,你可以调用ravel获得TN, FP, FN, TP, 进行其他指标的计算计算全局预测准确率(混淆矩阵的对角线为预测正确的个数)计算每个类别的准确率计算每个类别预测与真实目标的iou,IoU = TP / (TP + FP + FN)"""
模型评估之混淆矩阵
demon7552003的小本本
05-30 3640
在前面的文章中我们讲到了回归模型和分类模型的评估指标，区分了准确率和精确率的区别，并且比较了精确率和召回率内在的联系。本篇文章我们再来学习另外一个评估方法，即混淆矩阵（confusion_matrix）。 在讲矩阵之前，我们先复习下之前在讲分类评估指标中定义的一些符号含义，如下： TP(True Positive)：将正类预测为正类数，真实为0，预测也为0 FN(False Negative)：将正类预测为负类数，真实为0，预测为1 FP(False Positive)：将负类预测为正类数， 真实为
混淆矩阵(Confusion Matrix)
weixin_36670529的博客
07-04 3万+
简介 混淆矩阵是ROC曲线绘制的基础，同时它也是衡量分类型模型准确度中最基本，最直观，计算最简单的方法。 一句话解释版本： 混淆矩阵就是分别统计分类模型归错类，归对类的观测值个数，然后把结果放在一个表里展示出来。这个表就是混淆矩阵。 数据分析与挖掘体系位置 混淆矩阵是评判模型结果的指标，属于模型评估的一部分。此外，混淆矩阵多用于判断分类器（Classifier）的优劣，适用于分类型的数据......
遥感图像分类领域的混淆矩阵
一些笔记
06-18 8096
混淆矩阵是分类精度的评定指标。 对检核分类精度的样区内所有的像元，统计其分类图中的类别与实际类别之间的混淆程度。 混淆矩阵中，对角线上元素为被正确分类的样本数目，非对角线上的元素为错分的样本数。 名字 解释 生产者(制图) 精度 地表真实为A类,分类图像的像元归为A的概率 用户精度 假定分类器将像元归到A类时,地表真实类别是A的概率 总体分类精度 等于被正确分类的像元总和除以总像元数，地表真实图像或地表真实感兴趣区限定了像元的真实分类。被正确分类的像元沿着混淆矩阵的对角线分布，它显示
matlab中混淆矩阵计算
12-19
以下是计算混淆矩阵的简单方式： ```matlab % 假设实际类别为actual_labels，预测类别为predicted_labels actual_labels = [1, 1, 2, 2, 3]; predicted_labels = [1, 1, 1, 2, 3]; % 获取类别数量 num_classes = ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Billie使劲学

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值