本文目录
confusionmatrix输出结果怎么看
A,实际上,由Appzard项目向导生成的默认的头文件及CPP文件StdAfx.h和StdAfx.cpp可以是任何名字的.原因很简单.但如果你要这样做就要记得修改相应的Project-》setting...下的几个预编译指令(/Yc,/Yu,/Yx,/Fp)的参数. B.在任何一个包括了将要预编译的头文件而使用了.PCH文件的工程文件的开头,一定必须要是在最开头,你要包含那个指定生成.PCH文件的.H文件(通过.CPP文件包括,默认为StdAfx.cpp),如果没包括将产生我最开头产生的错误.如果不是在最开头包括将产生让你意想不到的莫名其妙错误,如若不信,盍为试之? C.预编译文件.PCH生成之很耗时间,而且生成之后它也很占磁盘空间,常在5-6M,注意项目完成之后及时清理无用的.PCH文件以节约磁盘空间. D.如果丢了或删了.PCH文件而以后要再修改工程文件时,可将指定的/Yc的.CPP文件(默认为StdAfx.cpp)重新编译一次即可再次生成.PCH文件,不用傻傻的按F7或Rebuild All
matlab 怎么输出confusion matrix
以Training confusion matrix为例。 M(1,1),对应内含数字。表示,有1000个输出为1类中,被正确反应了是1类。M(1,2),表示:在253个输出为1类中,却实际上是属于第2类。M(1,3),对应内含。表示,在输出的1中,有79.8%被正确反应了。M(3,1),对应内含。表示,实际中属于第1类的个数中,有69.5%的个体被正确认别。M(3,2),表示,实际中属于第2类的个数中,有94.3%的个体被正确认别。
如何用python画好confusion matrix
在做分类的时候,经常需要画混淆矩阵,下面我们使用python的matplotlib包,scikit-learning机器学习库也同样提供了例子:, 但是这样的图并不能满足我们的要求,
首先是刻度的显示是在方格的中间,这需要隐藏刻度,其次是如何把每个label显示在每个方块的中间, 其次是如何在每个方格中显示accuracy数值, 最后是如何在横坐标和纵坐标显示label的名字,在label name比较长的时候,如何处理显示问题。
直接贴上代码:
view plain copy
’’’’’compute confusion matrix
labels.txt: contain label name.
predict.txt: predict_label true_label
’’’
from sklearn.metrics import confusion_matrix
import matplotlib.pyplot as plt
import numpy as np
#load labels.
labels =
file = open(’labels.txt’, ’r’)
lines = file.readlines()
for line in lines:
labels.append(line.strip())
file.close()
y_true =
y_pred =
#load true and predict labels.
file = open(’predict.txt’, ’r’)
lines = file.readlines()
for line in lines:
y_true.append(int(line.split(" ").strip()))
y_pred.append(int(line.split(" ").strip()))
file.close()
tick_marks = np.array(range(len(labels))) + 0.5
def plot_confusion_matrix(cm, title=’Confusion Matrix’, cmap = plt.cm.binary):
plt.imshow(cm, interpolation=’nearest’, cmap=cmap)
plt.title(title)
plt.colorbar()
xlocations = np.array(range(len(labels)))
plt.xticks(xlocations, labels, rotation=90)
plt.yticks(xlocations, labels)
plt.ylabel(’True label’)
plt.xlabel(’Predicted label’)
cm = confusion_matrix(y_true, y_pred)
print cm
np.set_printoptions(precision=2)
cm_normalized = cm.astype(’float’)/cm.sum(axis=1)
print cm_normalized
plt.figure(figsize=(12,8), dpi=120)
#set the fontsize of label.
#for label in plt.gca().xaxis.get_ticklabels():
# label.set_fontsize(8)
#text portion
ind_array = np.arange(len(labels))
x, y = np.meshgrid(ind_array, ind_array)
for x_val, y_val in zip(x.flatten(), y.flatten()):
c = cm_normalized
if (c 》 0.01):
plt.text(x_val, y_val, "%0.2f" %(c,), color=’red’, fontsize=7, va=’center’, ha=’center’)
#offset the tick
plt.gca().set_xticks(tick_marks, minor=True)
plt.gca().set_yticks(tick_marks, minor=True)
plt.gca().xaxis.set_ticks_position(’none’)
plt.gca().yaxis.set_ticks_position(’none’)
plt.grid(True, which=’minor’, linestyle=’-’)
plt.gcf().subplots_adjust(bottom=0.15)
plot_confusion_matrix(cm_normalized, title=’Normalized confusion matrix’)
#show confusion matrix
plt.show()
linchunmian
2017-05-08 2
结果如下图所示:
阅读全文
版权声明:本文为博主原创文章,未经博主允许不得转载。
目前您尚未登录,请 登录 或 注册 后进行评论