动手画混淆矩阵(Confusion Matrix)（含代码）_我是一个对称矩阵_画混淆矩阵

网络 02-07 1126

1、混淆矩阵：Confusion Matrix2、怎么画？3、怎么用？

网上关于混淆矩阵的代码参差不齐，没找到可用的线程的代码，所以自己尝试写了下

1、混淆矩阵：Confusion Matrix

首先它长这样：怎么看？ Confusion Matrix最广泛的应用应该是分类，比如图中是7分类的真实标签和预测标签的效果。首先图中表明了纵轴是truth label，横轴是predicted label，那么对于第一行第一个0.60的含义是：本来是angry标签的图，我的模型正确分类成angry的比例是60%，也即是angry这一类模型分类正确的精度只有60%。同时模型将angry分类成了happy的图占比0.04%，其他的以此类推。

注意：因为本身是angry，模型预测成7种类的数量占比。所以每一行的和为100%。

同时对于fear标签，模型分类成fear的占比41%，分类成sad的占比为20%，我们可以认为模型不能很好区分fear和sad两种类别。

2、怎么画？

先给出代码：

import numpy as np import matplotlib.pyplot as plt class DrawConfusionMatrix: def __init__(self, labels_name, normalize=True): """ normalize：是否设元素为百分比形式 """ self.normalize = normalize self.labels_name = labels_name self.num_classes = len(labels_name) self.matrix = np.zeros((self.num_classes, self.num_classes), dtype="float32") def update(self, predicts, labels): """ :param predicts: 一维预测向量，eg：array([0,5,1,6,3,...],dtype=int64) :param labels: 一维标签向量：eg：array([0,5,0,6,2,...],dtype=int64) :return: """ for predict, label in zip(predicts, labels): self.matrix[predict, label] += 1 def getMatrix(self,normalize=True): """ 根据传入的normalize判断要进行percent的转换，如果normalize为True，则矩阵元素转换为百分比形式，如果normalize为False，则矩阵元素就为数量 Returns:返回一个以百分比或者数量为元素的矩阵 """ if normalize: per_sum = self.matrix.sum(axis=1) # 计算每行的和，用于百分比计算 for i in range(self.num_classes): self.matrix[i] =(self.matrix[i] / per_sum[i]) # 百分比转换 self.matrix=np.around(self.matrix, 2) # 保留2位小数点 self.matrix[np.isnan(self.matrix)] = 0 # 可能存在NaN，将其设为0 return self.matrix def drawMatrix(self): self.matrix = self.getMatrix(self.normalize) plt.imshow(self.matrix, cmap=plt.cm.Blues) # 仅画出颜色格子，没有值 plt.title("Normalized confusion matrix") # title plt.xlabel("Predict label") plt.ylabel("Truth label") plt.yticks(range(self.num_classes), self.labels_name) # y轴标签 plt.xticks(range(self.num_classes), self.labels_name, rotation=45) # x轴标签 for x in range(self.num_classes): for y in range(self.num_classes): value = float(format('%.2f' % self.matrix[y, x])) # 数值处理 plt.text(x, y, value, verticalalignment='center', horizontalalignment='center') # 写值 plt.tight_layout() # 自动调整子图参数，使之填充整个图像区域 plt.colorbar() # 色条 plt.savefig('./ConfusionMatrix.png', bbox_inches='tight') # bbox_inches='tight'可确保标签信息显示全 plt.show()

混淆矩阵是将所有数据的label和predict整理而画的，但实际中往往是分成多个iter来推测batch_size个数据，所以需要update()函数来讲每一次的label和predict值保存进去，模型推理完成后，再调用draw()函数画出混淆矩阵并保存为图片

3、怎么用？

给出一个简单的实例：

labels_name=['angry', 'disgust', 'fear', 'happy', 'sad', 'surprise', 'neutral'] drawconfusionmatrix = DrawConfusionMatrix(labels_name=labels_name) # 实例化 for index, (labels, imgs) in enumerate(test_loader): labels_pd = model(imgs) predict_np = np.argmax(labels_pd.cpu().detach().numpy(), axis=-1) # array([0,5,1,6,3,...],dtype=int64) labels_np = labels.numpy() # array([0,5,0,6,2,...],dtype=int64) drawconfusionmatrix.update(predict_np, labels_np) # 将新批次的predict和label更新（保存） drawconfusionmatrix.drawMatrix() # 根据所有predict和label，画出混淆矩阵 confusion_mat=drawconfusionmatrix.getMatrix() # 你也可以使用该函数获取混淆矩阵(ndarray) print(confusion) cpu().detach()：从device上获取数据.numpy()：将tensor类型转换为numpy类型

在我的模型上的结果：