基于pytorch的一维数据的五分类混淆矩阵代码

以下是基于 PyTorch 的一维数据的五分类混淆矩阵代码示例：

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,))

# 假设模型预测的分类为随机值，模拟混淆矩阵
y_pred = torch.randint(low=0, high=5, size=(100,))

# 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

# 输出混淆矩阵
print("Confusion Matrix:")
print(confusion_matrix)

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，通过循环计算出混淆矩阵，并输出结果。

需要注意的是，该代码仅适用于一维数据的情况。对于多维数据，需要对每一个维度进行类似的计算。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。

相关问题

基于pytorch的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,))

# 假设模型预测的分类为随机值，模拟混淆矩阵
y_pred = torch.randint(low=0, high=5, size=(100,))

# 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

# 输出混淆矩阵
print("Confusion Matrix:")
print(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()

# 输出各类别准确率
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，通过循环计算出混淆矩阵，并输出结果。接着，计算每个类别的准确率，并输出结果。

需要注意的是，该代码仅适用于一维数据的情况。对于多维数据，需要对每一个维度进行类似的计算。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。

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。