混淆矩阵计算准确率代码python
时间: 2023-11-04 21:00:39 浏览: 142
混淆矩阵计算准确率的Python代码如下所示:
```python
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:
```python
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:
```python
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。
阅读全文