Python利用Seaborn绘制多标签的混淆矩阵
Seaborn - 绘制多标签的混淆矩阵、召回、精准、F1
导入seaborn\matplotlib\scipy\sklearn等包:
import seaborn as snsfrom matplotlib import pyplot as pltfrom scipy.special import softmaxfrom sklearn.metrics import accuracy_score, confusion_matrix, precision_score, recall_score, f1_scoresns.set_theme(color_codes=True)
从dataframe中,获取y_true(真实标签)和y_pred(预测标签):
y_true = df["target"]y_pred = df['prediction']
计算验证数据整体的准确率acc、精准率precision、召回率recall、F1,使用加权模式average=‘weighted’:
# 准确率acc,精准precision,召回recall,F1acc = accuracy_score(df["target"], df['prediction'])precision = precision_score(y_true, y_pred, average='weighted')recall = recall_score(y_true, y_pred, average='weighted')f1 = f1_score(y_true, y_pred, average='weighted')print(f'[Info] acc: {acc}, precision: {precision}, recall: {recall}, f1: {f1}')
计算混淆矩阵:
# 横坐标是真实类别数,纵坐标是预测类别数cf_matrix = confusion_matrix(y_true, y_pred)
5类矩阵的绘制方案,混淆矩阵、百分比的混淆矩阵、召回矩阵、精准矩阵、F1矩阵:
- 混淆矩阵是计数,百分比的混淆矩阵是占比
- 召回矩阵是,每行的和是1,每行代表真实类别数,占比就是召回
- 精准矩阵是,每列的和是1,每列代表预测列表数,占比就是精准
- F1矩阵是按照 2PR/(P+R),注意为0的情况,需要补0,使用np.divide(a, b, out=np.zeros_like(a), where=(b != 0))
# 横坐标是真实类别数,纵坐标是预测类别数cf_matrix = confusion_matrix(y_true, y_pred)figure, axes = plt.subplots(2, 2, figsize=(16*1.25, 16))# 混淆矩阵ax = sns.heatmap(cf_matrix, annot=True, fmt='g', ax=axes[0][0], cmap='Blues')ax.title.set_text("Confusion Matrix")ax.set_xlabel("y_pred")ax.set_ylabel("y_true")# plt.savefig(csv_path.replace(".csv", "_cf_matrix.png"))# plt.show()# 混淆矩阵 - 百分比cf_matrix = confusion_matrix(y_true, y_pred)ax = sns.heatmap(cf_matrix / np.sum(cf_matrix), annot=True, ax=axes[0][1], fmt='.2%', cmap='Blues')ax.title.set_text("Confusion Matrix (percent)")ax.set_xlabel("y_pred")ax.set_ylabel("y_true")# plt.savefig(csv_path.replace(".csv", "_cf_matrix_p.png"))# plt.show()# 召回矩阵,行和为1sum_true = np.expand_dims(np.sum(cf_matrix, axis=1), axis=1)precision_matrix = cf_matrix / sum_trueax = sns.heatmap(precision_matrix, annot=True, fmt='.2%', ax=axes[1][0], cmap='Blues')ax.title.set_text("Precision Matrix")ax.set_xlabel("y_pred")ax.set_ylabel("y_true")# plt.savefig(csv_path.replace(".csv", "_recall.png"))# plt.show()# 精准矩阵,列和为1sum_pred = np.expand_dims(np.sum(cf_matrix, axis=0), axis=0)recall_matrix = cf_matrix / sum_predax = sns.heatmap(recall_matrix, annot=True, fmt='.2%', ax=axes[1][1], cmap='Blues')ax.title.set_text("Recall Matrix")ax.set_xlabel("y_pred")ax.set_ylabel("y_true")# plt.savefig(csv_path.replace(".csv", "_precision.png"))# plt.show()# 绘制4张图plt.autoscale(enable=False)plt.savefig(csv_path.replace(".csv", "_all.png"), bbox_inches='tight', pad_inches=0.2)plt.show()# F1矩阵a = 2 * precision_matrix * recall_matrixb = precision_matrix + recall_matrixf1_matrix = np.divide(a, b, out=np.zeros_like(a), where=(b != 0))ax = sns.heatmap(f1_matrix, annot=True, fmt='.2%', cmap='Blues')ax.title.set_text("F1 Matrix")ax.set_xlabel("y_pred")ax.set_ylabel("y_true")plt.savefig(csv_path.replace(".csv", "_f1.png"))plt.show()
输出混淆矩阵、混淆矩阵(百分比)、召回矩阵、精准矩阵:
【Python利用Seaborn绘制多标签的混淆矩阵】
文章图片
F1 Score:
文章图片
到此这篇关于Python利用Seaborn绘制多标签的混淆矩阵的文章就介绍到这了,更多相关Python Seaborn混淆矩阵内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!
推荐阅读
- python|Python-OpenCV-图像通过透视变换矫正
- Docker系列|【Docker系列】Python Flask + Redis 练习程序
- python打包flask|python打包flask 项目_手把手教你将Flask应用封装成Docker服务的实现
- PyAlgoTrade改为Python3版本
- Python每日一练|Python每日一练(牛客新题库)——第11天(循环语句)
- Python每日一练|Python每日一练(牛客新题库)——第13天(条件语句)
- Python每日一练|Python每日一练(牛客新题库)——第14天(元组、字典练习)
- python|python篇 习题(循环语句)
- python循环语句选择题_python循环语句以及一些日常的练习题目
- python编程习题(循环语句)