tensorflow 实现计算混淆矩阵和各类评估指标

一 tf.confusion_matrix(y,pred_y,num_classes)

以二分类为例，混淆矩阵为2*2的矩阵，如果我们真实标签为real=[0,1,1,0,1]，预测标签为predict=[0,1,0,1,1]

num_classes为分类数,一定要设置这个！！！否则默认为None
测试

import numpy as np
import tensorflow as tf
y=np.array([[1,0],[1,0],[1,0],[1,0],[1,0]])
y=tf.convert_to_tensor(y)
predict=np.array([[1,0],[1,0],[1,0],[1,0],[1,0]])
predict=tf.convert_to_tensor(predict)

confusion_matrix=tf.confusion_matrix(tf.argmax(y,1),tf.argmax(predict,1),num_classes=2)
       
with tf.Session() as sess: #开始一个会话 
    matrix=sess.run(confusion_matrix)
    print(matrix)
  #输出[[5 0] [0 0]]
 #如果不加num_classes=2就会输出[[5]]

二 评估指标

得到混淆矩阵后，即可得到TP,TN,FP,FN。根据各种指标的公式可求

def evaluate(confusion_metrics):
    TP=confusion_metrics[0][0]
    FP=confusion_metrics[0][1]
    FN=confusion_metrics[1][0]
    TN=confusion_metrics[1][1]
    
    
    ACC=(TP+TN)/(TP+TN+FP+FN)
    SEN=TP/(TP+FN)
    SPE=TN/(TN+FP)

    return ACC,SEN,SPE

三 实际训练

在实际训练时，我们的数据都是分批次放入网络中训练，所以可以初始化一个2*2的0矩阵，一次计算一个混淆矩阵，然后加起来

        real=tf.argmax(y,1) #one-hot标签
        pred=tf.argmax(predict,1)
        confusion_matrix=tf.confusion_matrix(real,pred,num_classes=2)

        with tf.Session() as sess: #开始一个会话
            sess.run(tf.global_variables_initializer())
            avg_cost=0.
            all_matrix=np.zeros([2,2])
            for i in range(300):
                _x,_y=sess.run([train_x,train_y])
              
                matrix=sess.run([confusion_matrix],feed_dict={x:_x,y:_y})
                all_matrix+=matrix
                avg_cost+=cost/display_step
                
                if (i+1)%display_step==0: #每隔display_step输出一次cost和评估指标并重置为0
                    train_acc,train_sen,train_spe=evaluate(all_matrix)           
                    print("step:%d,train_acc:%s,train_spe:%s,train_sen:%s"%(i+1,str(train_acc),str(train_spe),str(train_sen)))
                    avg_cost=0
                    all_matrix=np.zeros([2,2])

                    

注意：matrix是numpy类型，所以加减需要用np.zeros([2,2])来初始化