数据可视化-混淆矩阵(confusion matrix)
title: 数据可视化-混淆矩阵(confusion matrix) date: 2019-08-19 12:12:24 tags:
- tensorflow
- keras
- seaborn
- confusion_matrix categories: sci
1. 混淆矩阵（confusion matrix）介绍
在基于深度学习的分类识别领域中，经常采用统计学中的混淆矩阵（confusion matrix）来评价分类器的性能。
它是一种特定的二维矩阵：
- 列代表预测的类别；行代表实际的类别。
- 对角线上的值表示预测正确的数量/比例；非对角线元素是预测错误的部分。
混淆矩阵的对角线值越高越好，表明许多正确的预测。
特别是在各分类数据的数量不平衡的情况下，混淆矩阵可以直观的显示分类模型对应各个类别的准确率。
ref: https:// scikit-learn.org/stable /auto_examples/model_selection/plot_confusion_matrix.html
2. 混淆矩阵示列
- 数据集： MNIST
- tensorflow,keras,
- 神经网络：CNN
依赖：
keras
，
matplotlib
，
numpy
，
seaborn
，
tensorflow
，
sklearn
import keras
import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns
from sklearn.metrics import confusion_matrix
# === dataset ===
with np.load('mnist.npz') as f:
x_train, y_train = f['x_train'], f['y_train']
x_test, y_test = f['x_test'], f['y_test']
x_train = x_train.reshape(60000, 28, 28, 1)
x_test = x_test.reshape(10000, 28, 28, 1)
print(x_train.shape)
print(x_test.shape)
# === model: CNN ===
model = keras.models.Sequential()
model.add(keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(keras.layers.MaxPooling2D((2, 2)))
model.add(keras.layers.Conv2D(64, (3, 3), activation='relu'))
model.add(keras.layers.MaxPooling2D((2, 2)))
model.add(keras.layers.Flatten())
model.add(keras.layers.Dense(64, activation='relu'))
model.add(keras.layers.Dense(10, activation='softmax'))
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
model.summary()
# === train ===
model.fit(x=x_train, y=y_train,
batch_size=512,
epochs=10,
validation_data=(x_test, y_test))
# === pred ===
y_pred = model.predict_classes(x_test)
print(y_pred)
# === 混淆矩阵：真实值与预测值的对比 ===
# https://scikit-learn.org/stable/auto_examples/model_selection/plot_confusion_matrix.html
con_mat = confusion_matrix(y_test, y_pred)
con_mat_norm = con_mat.astype('float') / con_mat.sum(axis=1)[:, np.newaxis] # 归一化
con_mat_norm = np.around(con_mat_norm, decimals=2)
# === plot ===
plt.figure(figsize=(8, 8))
sns.heatmap(con_mat_norm, annot=True, cmap='Blues')