各大网站响应生态建设,关于做视频网站的一些代码,私募网站建设,商城网站建设需要1、什么是混淆矩阵
混淆矩阵#xff08;Confusion Matrix#xff09;是深度学习和机器学习领域中的一个重要工具#xff0c;用于评估分类模型的性能。它提供了一个清晰的视觉方式来展示模型的预测结果与真实标签之间的关系#xff0c;尤其在分类任务中#xff0c;帮助我们…1、什么是混淆矩阵
混淆矩阵Confusion Matrix是深度学习和机器学习领域中的一个重要工具用于评估分类模型的性能。它提供了一个清晰的视觉方式来展示模型的预测结果与真实标签之间的关系尤其在分类任务中帮助我们了解模型的强项和弱点。
混淆矩阵通常是一个二维矩阵其中包含四个关键的指标
预测值正例预测值反例真实值正例TPFN真实值反例FPTN 真正例True PositivesTP 模型正确地预测了正类别的样本数量。 真负例True NegativesTN 模型正确地预测了负类别的样本数量。 假正例False PositivesFP 模型错误地将负类别的样本预测为正类别的数量。 假负例False NegativesFN 模型错误地将正类别的样本预测为负类别的数量。
你可以选择看我之前写过的这一篇博客。其实很好理解比如TP它就是正确的预测了正确的样本FP就是错误的预测为了正确的样本。同理TN就是正确的预测了错误的样本FN就是错误的预测了错误的样本。
2、从混淆矩阵得到分类指标 然后我们来看上图这里就能够得到一些指标运算的公式
准确率Accuracy它是分类正确的样本数与总样本数的比率。准确率通常用来衡量模型在整个数据集上的性能但在不平衡类别的情况下可能不太适用。 准确率 (TP TN) / (TP TN FP FN) 精确率Precision精确率是指被模型正确预测为正类别的样本数占所有预测为正类别的样本数的比率。它用于衡量模型在正类别预测中的准确性。 精确率 TP / (TP FP) 召回率Recall召回率是指被模型正确预测为正类别的样本数占所有真实正类别的样本数的比率。它用于衡量模型在识别正类别样本中的能力。 召回率 TP / (TP FN) F1 分数F1 分数是精确率和召回率的调和平均值用于综合评估模型的性能。它对精确率和召回率都进行了考虑特别适用于不平衡类别的情况。 F1 分数 2 * (精确率 * 召回率) / (精确率 召回率) IoUIntersection over UnionIoU 用于语义分割等任务它是真实正类别区域与模型预测正类别区域的交集与并集之比。 IoU TP / (TP FP FN) 3、使用pytorch构建混淆矩阵
最初要写的目的也是为了回顾一下之前所学的并且想要在训练过程中能写一个类方便调用。先说一下思路。
首先这个是针对标签的我需要一个num_classes也就是分类数以便我先创建一个分类数大小的矩阵。
然后在不计算梯度的情况下我们需要筛选出合适的像素点这里简单来说就是一行代码
k (t 0) (t n)
t是真实类别的张量其中包含了每个像素的真实类别标签。n是类别总数表示模型可以进行分类的类别数量。
然后通过t[k]与p[k]就可以确定正确的像素范围。将每个选定像素的真实类别标签乘以总类别数n以获得一个在混淆矩阵中的行索引然后再加上p[k]就是我们混淆矩阵的索引。
inds n * t[k].to(torch.int64) p[k]
torch.bincount是用于统计 inds 中每个索引出现的次数。minlength 参数指定了输出张量的长度这里设置为 n**2以确保输出张量的长度足够容纳混淆矩阵的所有元素。
以上就是我的思路这里大家可以自己打印出来看看每个步骤是怎么实现的
import torchnum_classes n 3
mat torch.zeros((n, n), dtypetorch.int64)true_labels t torch.tensor([0, 1, 2, 0, 1, 2]) # 真实标签
predicted_labels p torch.tensor([0, 1, 1, 0, 2, 1]) # 预测结果with torch.no_grad():k (t 0) (t n)inds n * t[k].to(torch.int64) p[k]print(inds)mat torch.bincount(inds, minlengthn ** 2).reshape(n, n)
print(mat)
打印出来的值 tensor([0, 4, 7, 0, 5, 7]) tensor([[2, 0, 0], [0, 1, 1], [0, 2, 0]]) 这个混淆矩阵解释如下
第一行表示真实标签为类别0的样本模型将其分为类别0的次数为2次。第二行表示真实标签为类别1的样本模型将其中一个分为类别1另一个分为类别2。第三行表示真实标签为类别2的样本模型将其都分为类别1。
然后对照我们原本设定的数据也是完全符合的。
4、使用pytorch构建分类指标
将混淆矩阵 mat 转换为浮点数张量 h 以便进行后续计算
h mat.float()
全局预测准确率混淆矩阵的对角线表示的是真实和预测相对应的个数
acc_global torch.diag(h).sum()/h.sum()
计算每个类别的准确率
acc torch.diag(h)/h.sum(1) 计算每个类别预测与真实目标的iouIoU TP / (TP FP FN)
iu torch.diag(h) / (h.sum(1) h.sum(0) - torch.diag(h)) 我们打印出来大家可以对照着公式进行对比即可 tensor(0.5000) tensor([1.0000, 0.5000, 0.0000]) tensor([1.0000, 0.2500, 0.0000]) 其他的指标以后在补充我想的是在评估的时候使用所以这里的指标最好还是写一个类定义。
我也将其放进了pyzjr当中欢迎大家pip安装使用。
class ConfusionMatrix(object):def __init__(self, num_classes):self.num_classes num_classesself.mat Nonedef update(self, t, p):n self.num_classesif self.mat is None:# 创建混淆矩阵self.mat torch.zeros((n, n), dtypetorch.int64, devicet.device)with torch.no_grad():# 寻找GT中为目标的像素索引k (t 0) (t n)# 统计像素真实类别t[k]被预测成类别p[k]的个数inds n * t[k].to(torch.int64) p[k]self.mat torch.bincount(inds, minlengthn**2).reshape(n, n)def reset(self):if self.mat is not None:self.mat.zero_()def compute(self):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)h self.mat.float()acc_global torch.diag(h).sum() / h.sum()acc torch.diag(h) / h.sum(1)iu torch.diag(h) / (h.sum(1) h.sum(0) - torch.diag(h))return acc_global, acc, iudef __str__(self):acc_global, acc, iu self.compute()return (global correct: {:.1f}\naverage row correct: {}\nIoU: {}\nmean IoU: {:.1f}).format(acc_global.item() * 100,[{:.1f}.format(i) for i in (acc * 100).tolist()],[{:.1f}.format(i) for i in (iu * 100).tolist()],iu.mean().item() * 100)if __name____main__:num_classes 3confusion_matrix ConfusionMatrix(num_classes)# 模拟一些真实标签和预测结果true_labels torch.tensor([0, 1, 2, 0, 1, 2]) # 真实标签predicted_labels torch.tensor([0, 1, 1, 0, 2, 1]) # 预测结果# 更新混淆矩阵confusion_matrix.update(true_labels, predicted_labels)# 打印混淆矩阵及评估指标报告print(Confusion Matrix:)print(confusion_matrix.mat)print(\nEvaluation Report:)print(confusion_matrix)
打印的信息 Confusion Matrix: tensor([[2, 0, 0], [0, 1, 1], [0, 2, 0]]) Evaluation Report: global correct: 50.0 average row correct: [100.0, 50.0, 0.0] IoU: [100.0, 25.0, 0.0] mean IoU: 41.7
