混淆矩阵的两种计算方法

import numpy as np

from sklearn.metrics import classification_report
from sklearn.metrics import confusion_matrix


def fast_hist(label_pred, label_true, num_classes):
    mask = (label_true >= 0) & (label_true < num_classes)
    hist = np.bincount(
        num_classes * label_true[mask].astype(int) +
        label_pred[mask], minlength=num_classes ** 2).reshape(num_classes, num_classes)
    return hist


label_pred = np.array([np.arange(3, dtype='int32')] * 3)
label_true = np.array([np.ones(3, dtype='int32')] * 3)

# 第一种方式
num_classes = 3
hist = fast_hist(label_pred, label_true, num_classes)
print(hist)

# 第二种方式
label_pred = label_pred.reshape(1, -1)[0]
label_true = label_true.reshape(1, -1)[0]

print(classification_report(label_true, label_pred))
print(confusion_matrix(label_true, label_pred))
[[0 0 0]
 [3 3 3]
 [0 0 0]]
  'recall', 'true', average, warn_for)
              precision    recall  f1-score   support
           0       0.00      0.00      0.00         0
           1       1.00      0.33      0.50         9
           2       0.00      0.00      0.00         0
   micro avg       0.33      0.33      0.33         9
   macro avg       0.33      0.11      0.17         9
weighted avg       1.00      0.33      0.50         9
[[0 0 0]
 [3 3 3]
 [0 0 0]]

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

或许,这就是梦想吧!

如果对你有用,欢迎打赏。

¥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
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