其中，TP表示正类数预测为正类数的个数；FP为负类数预测为正类数的个数；FN为正类数预测为负类数的个数；TN为负类数预测为负类数的个数。
附上python代码：
# coding=utf-8
import matplotlib.pyplot as plt
import numpy as np
confusion = np.array(([190,0,0,0,0,0,0,0,0,0,10,0,0,0,0],
[0,200,0,0,0,0,0,0,0,0,0,0,0,0,0],
[0,0,200,0,0,0,0,0,0,0,0,0,0,0,0],
[0,0,0,199,0,0,0,1,0,0,0,0,0,0,0],
[0,0,0,0,200,0,0,0,0,0,0,0,0,0,0],
[0,0,0,0,0,200,0,0,0,0,0,0,0,0,0],
[0,0,0,0,0,0,200,0,0,0,0,0,0,0,0],
[0,0,0,0,0,0,0,200,0,0,0,0,0,0,0],
[0,0,0,0,0,0,0,0,200,0,0,0,0,0,0],
[0,0,0,0,0,0,0,1,0,199,0,0,0,0,0],
[0,0,0,0,0,0,0,0,0,0,200,0,0,0,0],
[0,1,0,0,0,0,0,0,0,0,0,199,0,0,0],
[0,0,0,0,0,2,0,0,0,0,0,0,197,0,1],
[0,0,0,0,0,0,0,0,0,0,0,0,0,200,0],
[0,0,0,0,0,0,0,0,0,0,0,0,0,0,200]
))
classes=['1','2','3','4','5','6','7','8','9','10','11','12','13','14','15']
#画出混淆矩阵
def confusion_matrix(confMatrix):
# 热度图，后面是指定的颜色块，可设置其他的不同颜色
plt.imshow(confMatrix, cmap=plt.cm.Blues)
# ticks 坐标轴的坐标点
# label 坐标轴标签说明
indices = range(len(confMatrix))
# 第一个是迭代对象，表示坐标的显示顺序，第二个参数是坐标轴显示列表
# plt.xticks(indices, [0, 1, 2])
# plt.yticks(indices, [0, 1, 2])
plt.xticks(indices, classes,rotation=45)
plt.yticks(indices, classes)
plt.colorbar()
plt.xlabel('预测值')
plt.ylabel('真实值')
plt.title('混淆矩阵')
# plt.rcParams两行是用于解决标签不能显示汉字的问题
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# 显示数据
for first_index in range(len(confMatrix)): # 第几行
for second_index in range(len(confMatrix[first_index])): # 第几列
if first_index==second_index:
plt.text(first_index, second_index, confMatrix[first_index][second_index],va='center',ha='center',color='white')
else:
plt.text(first_index, second_index, confMatrix[first_index][second_index], va='center', ha='center')
# 在matlab里面可以对矩阵直接imagesc(confusion)
# 显示
plt.show()
#计算准确率
def calculate_all_prediction(confMatrix):
'''
计算总精度,对角线上所有值除以总数
:return:
'''
total_sum=confMatrix.sum()
correct_sum=(np.diag(confMatrix)).sum()
prediction=round(100*float(correct_sum)/float(total_sum),2)
print('准确率:'+str(prediction)+'%')
def calculae_lable_prediction(confMatrix):
'''
计算每一个类别的预测精度:该类被预测正确的数除以该类的总数
'''
l=len(confMatrix)
for i in range(l):
label_total_sum = confMatrix.sum(axis=1)[i]
label_correct_sum=confMatrix[i][i]
prediction = round(100 * float(label_correct_sum) / float(label_total_sum), 2)
print('精确率:'+classes[i]+":"+str(prediction)+'%')
def calculate_label_recall(confMatrix):
l = len(confMatrix)
for i in range(l):
label_total_sum = confMatrix.sum(axis=0)[i]
label_correct_sum = confMatrix[i][i]
prediction = round(100 * float(label_correct_sum) / float(label_total_sum), 2)
print('召回率:'+classes[i] + ":" + str(prediction) + '%')
confusion_matrix(confusion)
calculate_all_prediction(confusion)
calculae_lable_prediction(confusion)
calculate_label_recall(confusion)
结果如图所示：
求得的精确率和召回率如下：
E:\pycharm_code\venv\Scripts\python.exe E:/pycharm_code/分割算法/Demo.py
精确率:1:95.0%
精确率:2:100.0%
精确率:3:100.0%
精确率:4:99.5%
精确率:5:100.0%
精确率:6:100.0%
精确率:7:100.0%
精确率:8:100.0%
精确率:9:100.0%
精确率:10:99.5%
精确率:11:100.0%
精确率:12:99.5%
精确率:13:98.5%
精确率:14:100.0%
精确率:15:100.0%
召回率:1:100.0%
召回率:2:99.5%
召回率:3:100.0%
召回率:4:100.0%
召回率:5:100.0%
召回率:6:99.01%
召回率:7:100.0%
召回率:8:99.01%
召回率:9:100.0%
召回率:10:100.0%
召回率:11:95.24%
召回率:12:100.0%
召回率:13:100.0%
召回率:14:100.0%
召回率:15:99.5%
Process finished with exit code 0另外：
比如对A, B, C三类有如下混淆矩阵：
A B C
A 10 1 2
B 2 11 3
C 5 3 8
其中，行表示真值；列表示预测值。 此时，每一类都有自己的精准率和召回率。 精准率表示正确预测X占所有预测X的比例。
所以对于A类来说，Precision(A) = 10 / (10 + 2 + 5) = 10 / 17
所以对于B类来说，Precision(B) = 11 / (1 + 11 + 3) = 11 / 15
所以对于C类来说，Precision(C) = 8 / (2 + 3 + 8) = 8 / 13
召回率表示正确预测X占所有真实X的比例。
所以对于A类来说，Recall(A) = 10 / (10 + 1 + 2) = 10 / 13
所以对于B类来说，Recall(B) = 11 / (2 + 11 + 3) = 11 / 16
所以对于C类来说，Recall(C) = 8 / (5 + 3 + 8) = 8 / 16
在这个基础上，整个算法的精准率和召回率，可以简单地使用平均值法。
即： Precision = (Precision(A) + Precision(B) + Precision(C)) / 3 = 0.6457
Recall = (Recall(A) + Recall(B) + Recall(C)) / 3 = 0.6522
而准确率：
Accuracy = （所有正确识别的）/（所有样本总数）
下面这个代码也可以求混淆矩阵。
#coding=utf-8
import matplotlib.pyplot as plt
import numpy as np
from sklearn.metrics import confusion_matrix
save_flg = True
# confusion = confusion_matrix(y_test, y_pred)
confusion = np.array([[221,0,3,0],
[1,198,0,9],
[3,0,190,2],
[0,6,0,203]])
plt.figure(figsize=(5, 5)) #设置图片大小
# 1.热度图，后面是指定的颜色块，cmap可设置其他的不同颜色
plt.imshow(confusion, cmap=plt.cm.Blues)
plt.colorbar() # 右边的colorbar
# 2.设置坐标轴显示列表
indices = range(len(confusion))
classes = ['白枯叶病', '褐斑病', '干尖线虫病', '稻瘟病']
# 第一个是迭代对象，表示坐标的显示顺序，第二个参数是坐标轴显示列表
plt.xticks(indices, classes, rotation=45) # 设置横坐标方向，rotation=45为45度倾斜
plt.yticks(indices, classes)
# 3.设置全局字体
# 在本例中，坐标轴刻度和图例均用新罗马字体['TimesNewRoman']来表示
# ['SimSun']宋体；['SimHei']黑体，有很多自己都可以设置
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# 4.设置坐标轴标题、字体
# plt.ylabel('True label')
# plt.xlabel('Predicted label')
# plt.title('Confusion matrix')
plt.xlabel('真实值')
plt.ylabel('预测值')
plt.title('混淆矩阵', fontsize=12, fontfamily="SimHei") #可设置标题大小、字体
# 5.显示数据
normalize = False
fmt = '.2f' if normalize else 'd'
thresh = confusion.max() / 2.
for i in range(len(confusion)): #第几行
for j in range(len(confusion[i])): #第几列
plt.text(j, i, format(confusion[i][j], fmt),
fontsize=16, # 矩阵字体大小
horizontalalignment="center", # 水平居中。
verticalalignment="center", # 垂直居中。
color="white" if confusion[i, j] > thresh else "black")
#6.保存图片
# if save_flg:
# plt.savefig("./picture/confusion_matrix.png")
# 7.显示
plt.show()文章出处登录后可见！
已经登录？立即刷新
