语义分割多分类评价指标

语义分割多分类问题的评价指标包括混淆矩阵、准确率、召回率、精确率和F1分数等。

1. 混淆矩阵（Confusion Matrix）是评估分类模型性能的重要工具。它以实际类别和预测类别为基础，将样本分为真正例（True Positive, TP）、真负例（True Negative, TN）、假正例（False Positive, FP）和假负例（False Negative, FN）四个类别。

2. 准确率（Accuracy）是指分类器正确分类的样本数占总样本数的比例。计算公式为：准确率 = (TP + TN) / (TP + TN + FP + FN)。

3. 召回率（Recall）是指分类器正确预测为正例的样本数占实际正例样本数的比例。计算公式为：召回率 = TP / (TP + FN)。

4. 精确率（Precision）是指分类器正确预测为正例的样本数占预测为正例的样本数的比例。计算公式为：精确率 = TP / (TP + FP)。

5. F1分数（F1 Score）是综合考虑了精确率和召回率的评价指标，它是精确率和召回率的调和平均值。计算公式为：F1分数 = 2 * (精确率 * 召回率) / (精确率 + 召回率)。

可以使用sklearn库中的confusion_matrix函数来计算混淆矩阵。示例代码如下：

from sklearn.metrics import confusion_matrix

# 实际类别和预测类别
y_true = [0, 1, 2, 1, 0, 2, 2]
y_pred = [0, 2, 1, 1, 0, 0, 2]

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

输出结果为：

[[2 0 0]
 [0 1 1]
 [1 0 2]]