图像分类模型评估之用python绘制混淆矩阵confusion_matrix

目录

训练完成后，生成混淆矩阵！！！！

ImageNet数据格式，生成混淆矩阵！！！！

非 ImageNet数据格式，定义导入数据的类名和方法！！！！

非imageNet数据格式，完成生成混淆矩阵程序代码！！！！

---

混淆矩阵：是用于评估分类模型性能的一种常用工具，可以用于计算分类准确率、精确率、召回率和F1-score等指标。生成混淆矩阵需要将模型对测试集的预测结果与真实标签进行比对，然后统计每个类别被正确预测的数量以及被错误预测的数量，最终将这些数据组织成矩阵的形式。

python实现混淆矩阵代码：

训练完成后，生成混淆矩阵！！！！

ImageNet数据格式，生成混淆矩阵！！！！

其中，data_path是数据集路径，model_path是模型路径，需要根据实际情况进行修改。代码中使用了ImageFolder直接导入数据集，不需要重新定义类。导入时，将数据集根目录和数据增强方法传入ImageFolder中即可。最后，生成混淆矩阵并保存为CSV文件。

import torch
import torchvision.datasets as datasets
import torchvision.transforms as transforms
from sklearn.metrics import confusion_matrix
import pandas as pd

# 设置设备
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

# 定义数据增强
transform = transforms.Compose([
    transforms.Resize((224, 224)),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])

# 加载数据集
data_path = "path/to/dataset"
dataset = datasets.ImageFolder(root=data_path, transform=transform)

# 加载模型
model_path = "path/to/model.pth"
model = torch.load(model_path)
model.to(device)
model.