混淆矩阵、准确率、F1和召回率的具体实现及混淆矩阵的可视化

article/2025/8/25 0:06:44

utils专栏不会细讲概念性的内容，偏向实际使用，如有问题，欢迎留言。如果对你有帮助就点个赞哈，也不搞什么粉丝可见有的没的，有帮助点个赞就ok

1、混淆矩阵、准确率、F1和召回率的计算

混淆矩阵 对于混淆矩阵的计算，这个我们直接从sklearn.metrics导入confusion_matrix计算，只需要向其中传递两个参数，一个是y_true，一个是y_pred，就可以直接得到混淆矩阵了：

from sklearn.metrics import confusion_matrix
confMatrix = confusion_matrix(label, pre)

这个是随便拿了个数据集，加载了预训练参数，跑了1轮的混淆矩阵：

准确率、F1和召回率的计算我们直接使用混淆矩阵来计算，混淆矩阵可以帮助我们很好的获得以下每类的数目：

TP（True Positive）：正确的正例，一个实例是正类并且也被判定成正类
FN（False Negative）：错误的反例，漏报，本为正类但判定为假类
FP（False Positive）：错误的正例，误报，本为假类但判定为正类
TN（True Negative）：正确的反例，一个实例是假类并且也被判定成假类

准确率：

$Acc=\frac{TP+TN}{ALL}$

精确率：

$Pre=\frac{TP}{TP+FP}$

召回率：

$Recall=\frac{TP}{TP+FN}$

F1：

$F1_score=\frac{2 \times pre \times recall}{pre + recall}$

相关的理论部分这里不过介绍，直接上代码实现，最后返回的是总的精确率、总的召回率、总的F1_score、一个图表可视化和一个几何平均，可以根据自己的需要来调整代码，比如只需要某一类的召回率等等：

注：使用图标可视化精确率、召回率和F1时，请先：

import prettytable

def calculate_prediction_recall(label, pre, classes=None):"""计算准确率和召回率:传入预测值及对应的真实标签计算:param label:标签:param pre:对应的预测值:param classes:类别名（None则为数字代替）:return:"""if classes:classes = list(range(classes))# print(classes)confMatrix = confusion_matrix(label, pre)print(confMatrix)total_prediction = 0total_recall = 0result_table = prettytable.PrettyTable()class_multi = 1result_table.field_names = ['Type', 'Prediction(精确率)', 'Recall(召回率)', 'F1_Score']for i in range(len(confMatrix)):label_total_sum_col = confMatrix.sum(axis=0)[i]label_total_sum_row = confMatrix.sum(axis=1)[i]if label_total_sum_col:     # 防止除0prediction = confMatrix[i][i] / label_total_sum_colelse:prediction = 0if label_total_sum_row:recall = confMatrix[i][i] / label_total_sum_rowelse:recall = 0if (prediction + recall) != 0:F1_score = prediction * recall * 2 / (prediction + recall)else:F1_score = 0result_table.add_row([classes[i], np.round(prediction, 3), np.round(recall, 3),np.round(F1_score, 3)])total_prediction += predictiontotal_recall += recallclass_multi *= predictiontotal_prediction = total_prediction / len(confMatrix)total_recall = total_recall / len(confMatrix)total_F1_score = total_prediction * total_recall * 2 / (total_prediction + total_recall)geometric_mean = pow(class_multi, 1 / len(confMatrix))return total_prediction, total_recall, total_F1_score, result_table, geometric_mean, confMatrix

图标可视化的一个结果展示（注意：图标显示的是每一类的准确率、召回率和F1，函数返回的是总的准确率、召回率和F1，可以根据自己的需要进行修改代码）：

2、混淆矩阵的可视化

没什么好说的，直接上代码：

def plot_confusion_matrix(cm, classes, normalize=False, title='Confusion matrix', cmap=plt.cm.Blues):"""混淆矩阵的可视化: 传入混淆矩阵和类别名（或数字代替）:param cm: 混淆矩阵:param classes: 类别:param normalize::param title::param cmap::return:"""if normalize:cm = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis]print("Normalized confusion matrix")else:print('Confusion matrix, without normalization')plt.imshow(cm, interpolation='nearest', cmap=cmap)plt.title(title)plt.colorbar()tick_marks = np.arange(len(classes))plt.xticks(tick_marks, classes, rotation=45)plt.yticks(tick_marks, classes)fmt = '.2f' if normalize else 'd'thresh = cm.max() / 2.for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])):plt.text(j, i, format(cm[i, j], fmt), horizontalalignment="center", color="white" if cm[i, j] > thresh else "black")plt.tight_layout()plt.ylabel('True label')plt.xlabel('Predicted label')plt.savefig('runs/picture/confMatrix.jpg')plt.show()

结果展示：