【人工智能】【Python】在训练代码中建立混淆矩阵

插入confusion_matrix_scores函数

第一步是在train.py头部插入confusion_matrix_scores函数，如果没有引入NumPy记得引入：import numpy as np

def confusion_matrix_scores(confusion_matrix):
    # 获取类别数量
    num_classes = confusion_matrix.shape[0]
    # 计算样本总数
    total_samples = np.sum(confusion_matrix)

    # 存储每个类别的精确率，召回率和F1分数
    per_class_values = []
    for i in range(num_classes):
        # 计算类别 i 的真阳性数（TP）
        tp_i = confusion_matrix[i, i]

        # 计算类别 i 的精确率（Precision）
        col_i_sum = np.sum(confusion_matrix[:, i])  # 计算第 i 列的总和
        precision_i = tp_i / col_i_sum if col_i_sum != 0 else 0  # 添加除零检查

        # 计算类别 i 的召回率（Recall）
        row_i_sum = np.sum(confusion_matrix[i, :])  # 计算第 i 行的总和
        recall_i = tp_i / row_i_sum if row_i_sum != 0 else 0  # 添加除零检查

        # 计算类别 i 的F1分数
        if precision_i + recall_i != 0:
            f1_i = 2 * precision_i * recall_i / (precision_i + recall_i)
        else:
            f1_i = 0

        # 将计算结果存储到列表per_class_values中
        per_class_values.append((precision_i, recall_i, f1_i))
        # 打印类别 i 的各项指标
        print(f"类别{i}的精确率：{100*precision_i:.2f}%，召回率：{100*recall_i:.2f}%，F1分数：{100*f1_i:.2f}%")

    # 计算总的准确率（Accuracy）
    accuracy = np.trace(confusion_matrix) / total_samples  # np.trace(confusion_matrix) 返回对角线元素之和，即所有TP的总和
    # 将每个类别的精确率、召回率和F1分数解包
    precisions, recalls, f1s = zip(*per_class_values)

    # 计算微平均（micro-average）的精确率、召回率和F1分数
    micro_precision = np.mean(precisions)
    micro_recall = np.mean(recalls)
    micro_f1 = np.mean(f1s)

    print(f"总准确率：{100*accuracy:.2f}%", end=" ")
    print(f"总精确率：{100*micro_precision:.2f}%", end=" ")
    print(f"总召回率：{100*micro_recall:.2f}%", end=" ")
    print(f"总F1分数：{100*micro_f1:.2f}%")

开始测试前初始化混淆矩阵

    # 初始化混淆矩阵
    num_classes = 10
    conf_matrix = np.zeros((num_classes, num_classes), dtype=np.int32)

计算准确率后更新混淆矩阵

        preds = outputs.argmax(1)
            for t, p in zip(targets, preds):
                conf_matrix[t.item(), p.item()] += 1

outputs.argmax(1)用于获取输出的最大预测值（也就是Top-1），output是二维张量：[batch_size, 类别数]；preds是一维张量[batch_size]，相当于提取出一个类别。

for t, p in zip(targets, preds)是同时遍历targets（真实标签）和真实标签对应的preds（预测标签），然后在conf_matrix的t.item()和p.item()位置更新混淆矩阵，也就是+=1。

打印test acc和loss之后打印混淆矩阵

    # 打印混淆矩阵
    print(conf_matrix)
    # 输出评估信息（通过调用confusion_matrix_scores函数）
    confusion_matrix_scores(conf_matrix)