首页 > 学术百科

matlab画混淆矩阵加入值,混淆矩阵的绘制（Plotaconfusionmatrix）文艺数学君

matlab画混淆矩阵加⼊值，混淆矩阵的绘制

（Plotaconfusionmatrix）⽂艺数学君

摘要这⼀篇简单介绍⼀下混淆矩阵的计算和绘制，混淆矩阵可以⽤来判断模型预测的结果。

介绍

这⼀篇主要介绍⼀下绘制混淆矩阵(confusion matrix)的⽅式。通常在看model的效果的时候，我们会使⽤混淆矩阵来进⾏检测。

主要参考资料 :

具体绘制⽅式

混淆矩阵的计算

混淆矩阵就是我们会计算最后分类错误的个数, 如计算将class1分为class2的个数，以此类推。

我们可以使⽤下⾯的⽅式来进⾏混淆矩阵的计算。

# 绘制混淆矩阵

def confusion_matrix(preds, labels, conf_matrix):

preds = torch.argmax(preds, 1)

for p, t in zip(preds, labels):

conf_matrix[p, t] += 1

return conf_matrix

conf_matrix = s(10, 10)

for data, target in test_loader:

output = (device))

conf_matrix = confusion_matrix(output, target, conf_matrix)

最后得到的conf_matrix就是混淆矩阵的值。

混淆矩阵的可视化

有了上⾯的混淆矩阵中具体的值，下⾯就是进⾏可视化的步骤。可视化我们使⽤seaborn来进⾏完成。因为我这⾥conf_matrix的值是tensor, 所以需要先转换为Numpy.

import seaborn as sn

df_cm = pd.DataFrame(conf_matrix.numpy(),

index = [i for i in list(Attack2Index.keys())],

columns = [i for i in list(Attack2Index.keys())])

plt.figure(figsize = (10,7))

sn.heatmap(df_cm, annot=True, cmap="BuPu")

陈露教你学滑冰最终的混淆矩阵的图如下所⽰：

混淆矩阵的可视化(进⾏美化)

当然, 我们还可以对混淆矩阵做更多的处理, 使得显⽰的时候能更加好看⼀些. 下⾯的绘制混淆矩阵的函数我是在下⾯的链接⾥看到的, 最终的效果很是不错。

这⾥简单贴⼀下代码，可以⽅便直接进⾏使⽤。

import itertools

# 绘制混淆矩阵

def plot_confusion_matrix(cm, classes, normalize=False, title='Confusion matrix', Blues):

"""

This function prints and plots the confusion matrix.羊吃了毒蜘蛛怎么办

Normalization can be applied by setting `normalize=True`.

Input

- cm : 计算出的混淆矩阵的值

- classes : 混淆矩阵中每⼀⾏每⼀列对应的列

- normalize : True：显⽰百分⽐, False：显⽰个数

"""

if normalize:

cm = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis]

print("Normalized confusion matrix")

看球记else:

print('Confusion matrix, without normalization')

print(cm)

plt.imshow(cm, interpolation='nearest', cmap=cmap)

长江三峡水利枢纽安全保卫条例plt.title(title)

tick_marks = np.arange(len(classes))

fmt = '.2f' if normalize else 'd'

thresh = cm.max() / 2.

for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])):

<(j, i, format(cm[i, j], fmt),

horizontalalignment="center",

color="white" if cm[i, j] > thresh else "black")

plt.tight_layout()

plt.ylabel('True label')

plt.xlabel('Predicted label')

测试数据如下所⽰：

cnf_matrix = np.array([[8707, 64, 731, 164, 45],

妇炎康栓

[1821, 5530, 79, 0, 28],

山木通[266, 167, 1982, 4, 2],

[691, 0, 107, 1930, 26],

[30, 0, 111, 17, 42]])

attack_types = ['Normal', 'DoS', 'Probe', 'R2L', 'U2R']

我们分别测试normalize=True/False的效果。

plot_confusion_matrix(cnf_matrix, classes=attack_types, normalize=True, title='Normalized confusion matrix')

plot_confusion_matrix(cnf_matrix, classes=attack_types, normalize=False, title='Normalized confusion matrix')

本文发布于:2024-09-20 19:50:32，感谢您对本站的认可！

本文链接：https://www.17tex.com/xueshu/158972.html

上一篇：electron-packager打包不到x64.zip报错response404记录与解决

下一篇：(人教PEP)五年级英语下册：Unit 5 Part A 教案

标签：矩阵混淆时候计算绘制可视化使得长江三峡

留言与评论（共有 0 条评论）