根据CNN模型绘制混淆矩阵

Question

在这里展示了这部原创作品

如何绘制基于CNN模型的混淆矩阵？

import numpy as np
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation, Flatten
from keras.layers import Convolution2D, Conv2D, MaxPooling2D, GlobalAveragePooling2D
from keras.optimizers import Adam
from keras.utils import np_utils
from sklearn import metrics 
##Need to put this block of code in for cuDNN to initialize properly
import tensorflow as tf
config = tf.compat.v1.ConfigProto(gpu_options = tf.compat.v1.GPUOptions(per_process_gpu_memory_fraction=0.8)
# device_count = {'GPU': 1}
)
config.gpu_options.allow_growth = True
session = tf.compat.v1.Session(config=config)
tf.compat.v1.keras.backend.set_session(session)
#------------------------------------------------------------------------------------------------------------------
num_rows = 40
num_columns = 174
num_channels = 1
x_train = x_train.reshape(x_train.shape[0], num_rows, num_columns, num_channels)
x_test = x_test.reshape(x_test.shape[0], num_rows, num_columns, num_channels)
num_labels = yy.shape[1]
filter_size = 2
# Construct model 
model = Sequential()
model.add(Conv2D(filters=16, kernel_size=2, input_shape=(num_rows, num_columns, num_channels), activation='relu'))
model.add(MaxPooling2D(pool_size=2))
model.add(Dropout(0.2))
model.add(Conv2D(filters=32, kernel_size=2, activation='relu'))
model.add(MaxPooling2D(pool_size=2))
model.add(Dropout(0.2))
model.add(Conv2D(filters=64, kernel_size=2, activation='relu'))
model.add(MaxPooling2D(pool_size=2))
model.add(Dropout(0.2))
model.add(Conv2D(filters=128, kernel_size=2, activation='relu'))
model.add(MaxPooling2D(pool_size=2))
model.add(Dropout(0.2))
model.add(GlobalAveragePooling2D())
model.add(Dense(num_labels, activation='softmax'))

然后训练为：

from keras.callbacks import ModelCheckpoint 
from datetime import datetime 
#num_epochs = 12
#num_batch_size = 128
num_epochs = 72
num_batch_size = 256
checkpointer = ModelCheckpoint(filepath='saved_models/weights.best.basic_cnn.hdf5', 
verbose=1, save_best_only=True)
model.fit(x_train, y_train, batch_size=num_batch_size, epochs=num_epochs, validation_data=(x_test, y_test), callbacks=[checkpointer], verbose=1)

我一直在尝试一些事情，其中之一是：

import matplotlib.pyplot as plt
plt.figure(figsize=(12, 4))
plot_confusion_matrix=(model(),x_test, y_test)
plt.plot(plot_confusion_matrix)

但我无法绘制混淆矩阵。

我也研究了tf.math.confusion_matrix()，但根据上面的CNN模型定义的labels和predictions是什么？？

混淆矩阵是一个多分类。

是否

y_true = np.argmax(y_test, 1)？？

和

y_pred = model.predict_classes(x_test)？？

Answer 1

标签：用于分类任务的实标签的一维张量。预测：给定分类的预测的一维张量。

正如他们在官方文档中所说，标签是输出类和预测的名称。然而，正如他们所说，一切都必须是1D张量，这意味着标签将是一个实例的基本事实，预测中相应的索引值将保持其预测值。因此，您可以做的是，获得每个实例的预测和标签，在您的代码中，您已经通过了x_test和y_test，这两个元素不应该被传递。相反，使用model.predict来获取输出标签。

y_predict=model.predict(x_test)
y_true=y_test
res = tf.math.confusion_matrix(y_true,y_predict)

这个res是一个2D矩阵，现在要打印它，你需要

plot_confusion_matrix(classifier, X_test, y_test,
display_labels=class_names,
cmap=plt.cm.Blues,
normalize=normalize)

这里放置分类器＝"；模型"；，而不是函数模型((。希望这能有所帮助，这里有更多的资源。

在这里你可以看到多类分类混淆矩阵技术。

多类图github函数

另一个自定义绘图功能