一维数据集 五分类混淆矩阵代码

下面是一个计算五分类混淆矩阵的示例代码，假设你有一个一维数据集 `y_true` 表示真实标签，一个一维数据集 `y_pred` 表示预测标签：

import numpy as np
from sklearn.metrics import confusion_matrix

# 定义标签类别
labels = [0, 1, 2, 3, 4]

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

# 打印混淆矩阵
print(cm)

其中，`labels` 列表定义了标签类别，`y_true` 和 `y_pred` 分别表示真实标签和预测标签。调用 `confusion_matrix` 函数计算混淆矩阵，并将 `labels` 传入来指定标签类别。最后打印混淆矩阵即可。

相关问题

基于pytorch的测试一维数据的五分类混淆矩阵以及各类别准确率代码

以下是基于 PyTorch 的测试一维数据的五分类混淆矩阵以及各类别准确率代码示例：

import torch
import numpy as np

# 假设有 100 个样本，每个样本的分类标签为 0, 1, 2, 3, 4 中的一个
y_true = torch.randint(low=0, high=5, size=(100,))
y_pred = torch.randint(low=0, high=5, size=(100,))

def calculate_confusion_matrix(y_true, y_pred):
    # 计算混淆矩阵
    confusion_matrix = torch.zeros(5, 5)
    for i in range(len(y_true)):
        confusion_matrix[y_true[i], y_pred[i]] += 1
    return confusion_matrix

def calculate_class_accuracy(confusion_matrix):
    # 计算各类别准确率
    class_accuracy = np.zeros(5)
    for i in range(5):
        class_accuracy[i] = confusion_matrix[i, i] / confusion_matrix[i].sum()
    return class_accuracy

# 计算混淆矩阵和各类别准确率
confusion_matrix = calculate_confusion_matrix(y_true, y_pred)
class_accuracy = calculate_class_accuracy(confusion_matrix)

# 输出混淆矩阵和各类别准确率
print("Confusion Matrix:")
print(confusion_matrix)
print("Class Accuracy:")
print(class_accuracy)

该代码首先生成了 100 个随机标签的样本，以及一个随机预测的分类结果。然后，通过调用 `calculate_confusion_matrix()` 函数计算出混淆矩阵，再调用 `calculate_class_accuracy()` 函数计算出各类别准确率，并输出结果。

需要注意的是，该代码中的 `calculate_confusion_matrix()` 和 `calculate_class_accuracy()` 函数可以复用，对于多个模型或多个测试集的结果计算都可以使用这两个函数。同时，该代码中假设分类标签为 0, 1, 2, 3, 4，如有需要，可以根据实际情况进行修改。

二分类数据集的混淆矩阵代码

混淆矩阵是一种用于评估分类模型性能的工具，特别是在二分类问题中。它展示了实际类别（True Positives, True Negatives, False Positives, False Negatives）与预测结果之间的对应关系。以下是Python中使用sklearn库创建二分类混淆矩阵的一个简单示例：

from sklearn.metrics import confusion_matrix
import numpy as np

# 假设我们有真实标签y_true和模型预测y_pred
y_true = np.array([0, 0, 1, 1])
y_pred = np.array([0, 1, 1, 0])

# 创建混淆矩阵
conf_mat = confusion_matrix(y_true, y_pred)
print(conf_mat)

# 矩阵的形状通常是 (实际类别数, 实际类别数)，这里就是 (2, 2)：
# [[真正例, 假正例],
#  [真负例, 假负例]]

在这个例子中，`conf_mat`是一个二维数组，其中`conf_mat[0][0]`表示真正例（即预测为0且实际也是0的情况），`conf_mat[0][1]`表示假正例（预测为0但实际是1的情况），以此类推。