通过调用metrics.confusion_matrix来混淆矩阵

混淆矩阵（Confusion Matrix）是一种分类模型常用的评估指标，可以帮助我们对分类器的性能进行评估。在Python中，可以使用Scikit-learn库中的metrics模块来计算混淆矩阵。

下面是一个示例代码：

from sklearn import metrics
import numpy as np

y_true = np.array([1, 1, 0, 1, 0, 0, 1, 0, 0, 0])  # 真实标签
y_pred = np.array([1, 0, 0, 1, 0, 0, 1, 1, 0, 0])  # 预测标签

confusion_matrix = metrics.confusion_matrix(y_true, y_pred)
print(confusion_matrix)

输出结果为：

[[4 1]
 [2 3]]

其中，第一行表示真实标签为0的样本，第一列表示真实标签为1的样本。第二行、第二列分别表示预测标签为0的样本和预测标签为1的样本。

在这个例子中，有4个真实标签为0的样本被正确预测为0，有3个真实标签为1的样本被正确预测为1，有1个真实标签为0的样本被错误预测为1，有2个真实标签为1的样本被错误预测为0。

混淆矩阵可以帮助我们计算出许多其他的指标，如准确率、召回率、F1值等。

相关问题

def show_matrix(y_test, y_pred): # 定义一个函数显示混淆矩阵 y_test=y_test.detach().numpy() y_pred=y_pred.detach().numpy() print(y_test) cm = confusion_matrix(y_test,y_pred) # 调用混淆矩阵 plt.title("ANN Confusion Matrix") # 标题 sns.heatmap(cm,annot=True,cmap="Blues",fmt="d",cbar=False) # 热力图设定 plt.show() # 显示混淆矩阵

这段代码定义了一个名为`show_matrix`的函数，用于显示混淆矩阵。下面是完整的代码：

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.metrics import confusion_matrix

def show_matrix(y_test, y_pred):
    y_test = y_test.detach().numpy()
    y_pred = y_pred.detach().numpy()
    print(y_test)

    cm = confusion_matrix(y_test, y_pred)
    plt.title("ANN Confusion Matrix")
    sns.heatmap(cm, annot=True, cmap="Blues", fmt="d", cbar=False)
    plt.show()

该函数的输入参数`y_test`和`y_pred`是模型的真实标签和预测结果。首先，将它们转换为NumPy数组（假设它们是PyTorch张量）。然后，使用`confusion_matrix`函数计算混淆矩阵。接下来，使用Matplotlib和Seaborn绘制热力图来可视化混淆矩阵。最后，使用`plt.show()`显示混淆矩阵。

请确保已经导入所需的库（numpy、matplotlib、seaborn、sklearn.metrics）并将真实标签和预测结果传递给`show_matrix`函数以进行调用。

def final_test(df_ft, model): ''' 验证真实比例的测试集2 ''' y_predprob_ft = model.predict_proba(df_ft.drop(['label'], axis=1))[:, 1] # 修改分类阈值 the_threshold = y_predprob_ft[y_predprob_ft.argsort(axis=0)[::-1][int(len(y_predprob_ft) * 0.25)]] y_pred_ft = np.array([1 if x >= the_threshold else 0 for x in y_predprob_ft]) # 查看结果 from sklearn.metrics import confusion_matrix, classification_report # print('accuracy_score: ', accuracy_score(df_ft['label'], y_pred_ft)) print('test real set:') print(confusion_matrix(df_ft['label'], y_pred_ft, labels=None, sample_weight=None)) report = classification_report(df_ft['label'], y_pred_ft) print(report) report = classifaction_report_csv(report) return report

这段代码是一个名为 final_test 的函数，用于对真实比例的测试集进行验证。

首先，函数使用模型 model 对 df_ft 数据框中除了 'label' 列以外的特征进行预测，并保存预测结果的概率值到 y_predprob_ft 变量中。

接着，函数根据预测概率值对分类阈值进行调整。阈值的选择是基于 y_predprob_ft 按降序排序后的第 int(len(y_predprob_ft) * 0.25) 个值。这个阈值用于将预测概率值大于等于阈值的样本预测为正例，小于阈值的样本预测为负例。

然后，函数根据预测概率值和阈值对样本进行分类，并将分类结果存储在 y_pred_ft 变量中。

接下来，函数使用 confusion_matrix 函数和 classification_report 函数计算并打印了预测结果的混淆矩阵和分类报告。其中，confusion_matrix 函数用于计算混淆矩阵，classification_report 函数用于生成分类报告。

最后，函数调用了一个名为 classifaction_report_csv 的函数，将分类报告转换为 CSV 格式，并返回转换后的结果 report。

这段代码的作用是对真实比例的测试集进行验证，并输出验证结果。其中，模型 model 用于对测试集进行预测，预测结果根据阈值进行分类，最后计算并打印验证结果的混淆矩阵和分类报告。