混淆矩阵计算准确率代码python

混淆矩阵计算准确率的Python代码如下所示：

def calculate_accuracy(confusion_matrix):
    correct_predictions = sum(confusion_matrix[i][i] for i in range(len(confusion_matrix)))
    total_predictions = sum(sum(row) for row in confusion_matrix)
    accuracy = correct_predictions / total_predictions
    return accuracy

# 示例混淆矩阵
confusion_matrix = [
    [10, 2, 4],
    [3, 15, 2],
    [1, 4, 12]
]

# 调用函数计算准确率
accuracy = calculate_accuracy(confusion_matrix)
print("准确率: {:.2f}%".format(accuracy * 100))

相关问题

输入混淆矩阵计算准确率代码

以下是一个简单的 Python 代码示例，用于计算分类模型的混淆矩阵和准确率：

from sklearn.metrics import confusion_matrix, accuracy_score

# 实际的类别标签
y_true = [0, 1, 0, 1, 1, 0, 0, 1]

# 模型预测的类别标签
y_pred = [0, 1, 1, 1, 1, 0, 1, 1]

# 计算混淆矩阵
cm = confusion_matrix(y_true, y_pred)

# 输出混淆矩阵
print('Confusion Matrix:\n', cm)

# 计算准确率
accuracy = accuracy_score(y_true, y_pred)

# 输出准确率
print('Accuracy: %.2f%%' % (accuracy * 100))

输出：

Confusion Matrix:
 [[3 1]
 [1 3]]
Accuracy: 75.00%

这个例子中，混淆矩阵的左上角表示真正例（True Positives，TP），右下角表示真负例（True Negatives，TN），右上角表示假正例（False Positives，FP），左下角表示假负例（False Negatives，FN）。准确率是正确分类的样本数占总样本数的比例。

混淆矩阵计算精度python代码

混淆矩阵是用于评估分类模型性能的一种常用工具，可以通过计算精度、召回率、F1值等指标来评估模型的分类准确性。下面是一个计算混淆矩阵精度的Python代码示例：

import numpy as np
from sklearn.metrics import confusion_matrix

# 实际标签
y_true = [0, 1, 0, 1, 1, 0, 0, 1]
# 预测标签
y_pred = [0, 1, 1, 1, 0, 0, 1, 1]

# 计算混淆矩阵
cm = confusion_matrix(y_true, y_pred)

# 提取混淆矩阵中的各项指标
tn, fp, fn, tp = cm.ravel()

# 计算精度
accuracy = (tp + tn) / (tp + tn + fp + fn)

print("混淆矩阵：")
print(cm)
print("精度：", accuracy)

这段代码使用了`numpy`和`sklearn.metrics`库，其中`confusion_matrix`函数用于计算混淆矩阵，`ravel`函数用于将混淆矩阵展平为一维数组，然后通过计算公式`(tp + tn) / (tp + tn + fp + fn)`来计算精度。