# -*-coding:utf-8-*-
from sklearn.metricsimport confusion_matrix
import matplotlib.pyplot as plt
import numpy as np
#labels表示你不同类别的代号,比如这里的demo中有13个类别
labels= ['A','B','C','F','G','H','I','J','K','L','M','N','O']
'''
具体解释一下re_label.txt和pr_label.txt这两个文件,比如你有100个样本
去做预测,这100个样本中一共有10类,那么首先这100个样本的真实label你一定
是知道的,一共有10个类别,用[0,9]表示,则re_label.txt文件中应该有100
个数字,第n个数字代表的是第n个样本的真实label(100个样本自然就有100个
数字)。
同理,pr_label.txt里面也应该有1--个数字,第n个数字代表的是第n个样本经过
你训练好的网络预测出来的预测label。
这样,re_label.txt和pr_label.txt这两个文件分别代表了你样本的真实label和预测label,然后读到y_true和y_pred这两个变量中计算后面的混淆矩阵。当然,不一定非要使用这种txt格式的文件读入的方式,只要你最后将你的真实
label和预测label分别保存到y_true和y_pred这两个变量中即可。
'''
y_true= np.loadtxt('../Data/re_label.txt')
y_pred= np.loadtxt('../Data/pr_label.txt')
tick_marks= np.array(range(len(labels)))+ 0.5
def plot_confusion_matrix(cm, title='Confusion Matrix', cmap=plt.cm.binary):
plt.imshow(cm, interpolation='nearest', cmap=cmap)
plt.title(title)
plt.colorbar()
xlocations= np.array(range(len(labels)))
plt.xticks(xlocations, labels, rotation=90)
plt.yticks(xlocations, labels)
plt.ylabel('True label')
plt.xlabel('Predicted label')
cm= confusion_matrix(y_true, y_pred)
np.set_printoptions(precision=2)
cm_normalized= cm.astype('float')/ cm.sum(axis=1)[:, np.newaxis]
print cm_normalized
plt.figure(figsize=(12,8), dpi=120)
ind_array= np.arange(len(labels))
x, y= np.meshgrid(ind_array, ind_array)
for x_val, y_valin zip(x.flatten(), y.flatten()):
c= cm_normalized[y_val][x_val]
if c >0.01:
plt.text(x_val, y_val,"%0.2f" % (c,), color='red', fontsize=7, va='center', ha='center')
# offset the tick
plt.gca().set_xticks(tick_marks, minor=True)
plt.gca().set_yticks(tick_marks, minor=True)
plt.gca().xaxis.set_ticks_position('none')
plt.gca().yaxis.set_ticks_position('none')
plt.grid(True, which='minor', linestyle='-')
plt.gcf().subplots_adjust(bottom=0.15)
plot_confusion_matrix(cm_normalized, title='Normalized confusion matrix')
# show confusion matrix
plt.savefig('../Data/confusion_matrix.png',format='png')
plt.show()