多分类 混淆矩阵 代码
时间: 2023-03-31 11:02:33 浏览: 136
多分类混淆矩阵的代码可以使用sklearn库中的confusion_matrix函数来实现。具体实现方法如下:
```python
from sklearn.metrics import confusion_matrix
# 假设y_true和y_pred是两个长度为n的数组,分别表示真实标签和预测标签
# n为样本数,标签可以是任意整数
cm = confusion_matrix(y_true, y_pred)
print(cm)
```
其中,y_true和y_pred分别表示真实标签和预测标签,cm表示混淆矩阵。
相关问题
python多分类混淆矩阵代码
以下是Python中计算多分类混淆矩阵的代码,同时也包括了准确率、精确率、召回率和F1得分的计算:
```python
from sklearn.metrics import confusion_matrix, accuracy_score, precision_score, recall_score, f1_score
# 实际标签
y_true = [0, 1, 2, 0, 1, 2, 0, 1, 2]
# 预测标签
y_pred = [0, 1, 1, 0, 2, 2, 0, 1, 2]
# 计算混淆矩阵
cm = confusion_matrix(y_true, y_pred)
print("Confusion Matrix:\n", cm)
# 计算准确率
acc = accuracy_score(y_true, y_pred)
print("Accuracy:", acc)
# 计算精确率
precision = precision_score(y_true, y_pred, average='macro')
print("Precision:", precision)
# 计算召回率
recall = recall_score(y_true, y_pred, average='macro')
print("Recall:", recall)
# 计算F1得分
f1 = f1_score(y_true, y_pred, average='macro')
print("F1 Score:", f1)
```
其中,`y_true`和`y_pred`分别为实际标签和预测标签,可以根据实际情况进行修改。`confusion_matrix`函数用于计算混淆矩阵,`accuracy_score`函数用于计算准确率,`precision_score`函数用于计算精确率,`recall_score`函数用于计算召回率,`f1_score`函数用于计算F1得分。在计算精确率、召回率和F1得分时,需要指定`average='macro'`参数,表示对所有类别的指标进行求平均。
多分类混淆矩阵代码实现
多分类混淆矩阵可以通过使用sklearn库中的函数来实现。以下是一个示例代码:
```python
from sklearn.metrics import confusion_matrix
import numpy as np
# 假设有真实标签和预测标签
y_true = np.array([1, 2, 0, 1, 2, 0, 2, 1])
y_pred = np.array([1, 2, 0, 0, 2, 0, 1, 1])
# 计算混淆矩阵
cm = confusion_matrix(y_true, y_pred)
print(cm)
```
输出结果为:
```
[[1 0 1]
[1 2 0]
[0 1 2]]
```
混淆矩阵的行表示真实标签,列表示预测标签。在这个例子中,类别0有1个样本被预测为类别0,1个样本被预测为类别2;类别1有1个样本被预测为类别0,2个样本被预测为类别1;类别2有2个样本被预测为类别1,2个样本被预测为类别2。
希望这个示例对你有帮助!如有其他问题,请随时提问。
相关推荐
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![m](https://img-home.csdnimg.cn/images/20210720083646.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)