混淆矩阵分类精度评价与提高,混淆矩阵 精确率

  混淆矩阵分类精度评价与提高,混淆矩阵 精确率

  真定位(TP):实际上是正示例,并且被预测为正示例

  FP(假定位) :实际上是反例,但被预测为正例

  真否定(TN):实际上是反例,并且被预测为反例

  fn(假否定) :实际上是正的,但被预测为反的

  准确率=TP/(TPFP))。

  召回率=TP/(TPfn))。

  # coding=utf-8 importmatplotlib。pyplotmportnumpyasnpconfusion=NP。array(0,0),0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,200] ) classes=[1 , 2 , 3其他不同颜色的PLT.imshow(confmatrix,可以设置cmap=plt.cm.Blues ) #刻度坐标轴的坐标点#标签坐标轴标签说明指数=范围(长度)配置矩阵。第二个参数是坐标轴显示列表# PLT.x [ 0,1,2 ])分笔成交点指数,作为类别)的班级。颜色条(PLT.xlabel预测值)plt.ylabel真值)(工厂名称混淆矩阵)# plt.rcParams两行是PLT。RC params[轴。unicode _ MINUS ]=false #显示数据for first _ index in range(len(conf matrix))第几行的一秒钟显示数据第几列if first _ index==second _ index 3360 PLT conf matrix[first _ index][second _ index],va=center ,ha= cecex color= white )else 3360 PLT。text ext conf matrix[first _ index][second _ index],va=center ,在ha=center ) matlab中直接针对矩阵使用图像c(混淆)plt.show ) #可以显示计算精度defcalculate _ all _ prediction)配置矩阵)30的对角线上的所有值总计:return: total _ sum=conf矩阵。s surix float(total _ sum)是, 2 )计算每个打印(精度:(字符串(预测)%)defcalculate _ lable _ prediction(conf matrix)3360))类别的预测精度:总和(轴=1) [ I ]标签_正确_总和=确认矩阵)65浮动(标签_正确_总和)/2)打印(准确率: )类[ I ](:)字符串(预测)%))def calculate _ label _ recall(conf matrix)33666 label _ correct _ sum=conf matrix[I][I]prediction=loat(label _ total _ sum)表示2)打印(召回率:(类别

  e: Anaconda python.exe e:/classificationofnetwork/z . other/模糊矩阵 py 准确率:1:100.0%准确率:2:100.0%准确率:100.0 %准确率:4:99.5%准确率:5:100.0 %准确率:633606 度率:9:100.0%准确率:10:99.5%准确率:100.0%准确率:123:99.5 %准确率:13:98.5%准确率60100.0 %召回率6099.5%召回率:100.0 %召回率:4:100.0%召回率:5:100.0 %召回率:63363600.0%召回率33363600 33600 33606 召回率:10:100.0 %召回率:11:100.0%召回率:12:100.0 %召回率:13360100.0 %

混淆矩阵分类精度评价与提高,混淆矩阵 精确率