真定位(TP ) :实际上是正示例，并且被预测为正示例
FP (假定位) :实际上是反例，但被预测为正例
真否定(TN ) :实际上是反例，并且被预测为反例
fn (假否定) :实际上是正的，但被预测为反的
准确率=TP/(TPFP ) ) )。
召回率=TP/(TPfn ) )。
# coding=utf-8 importmatplotlib.pyplotaspltimportnumpyasnpconfusion=NP.array (0，0 )，[ 0，0，200，0，0，0，0，0，0，0，0，0，0，0 0 ] 0，0，0，200，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0 200] ) classes=['1'、'2'、'3'、'4'、'5'、'6'、'7'、'8'、'9'、' 10 '、' 11 ' ] )。 其他不同颜色的PLT.imshow(confmatrix， 可以设置cmap=plt.cm.Blues ) # ticks坐标轴的坐标点# label坐标轴标签说明indices=range(len ) confmatrix )。第二个参数是坐标轴显示列表# PLT.x [ 0，1，2 ] ) PLT.x ticks indices， 作为classes )的classes.PLT.color bar (PLT.xlabel预测值) plt.ylabel真值) (plt.title混淆矩阵) # plt.rcParams两行是PLT.rcparams [ ' axes.unicode _ MINUS ' ]=false #显示数据for first _ indexinrange (len (conf matrix ) )第几行的forsecond _显示数据第几列if first _ index==second _ index 3360 PLT conf matrix [ first _ index ] [ second _ index ]，va='center '，ha=' cecex color='white ' ) else 3360 PLT.text ext conf matrix [ first _ index ] [ second _ index ]，va='center '， 在ha='center ' ) matlab中直接针对矩阵使用imagesc(confusion ) plt.show ) # 可以显示计算精度defcalculate_all_prediction ) confmatrix ) 30的对角线上的所有值总计： return : ' ' total _ sum=conf matrix.ssurix float(total_sum )是， 2 )计算每个print (精度：(str(prediction ) % ) defcalculae _ lable _ prediction (conf matrix ) 3360 ) )类别的预测精度： sum(axis=1) [ I ] label _ correct _ sum=conf矩阵[ I ] ) ) ) 65浮动(label _ correct _ sum )/2 )打印(准确率： ) classes [ I ] (: ) str (prediction ) % ) ) def calculate _ label _ recall (conf matrix ) 33666 label _ correct _ sum=conf matrix [ I ] [ I ] prediction=loat (label _ total _ sum )表示2 ) print (召回率： (class
E:Anaconda python.exe ' e :/classficationofnetwork/z.other/模糊矩阵. py '准确率：1:100.0%准确率：2:100.0%准确率：100.0 %准确率：4:99.5%准确率：5:100.0 %准确率：633606 度率：9:100.0%准确率：10:99.5%准确率：100.0%准确率：123:99.5 %准确率：13:98.5%准确率60100.0 %召回率6099.5%召回率：100.0 %召回率：4:100.0%召回率：5:100.0 %召回率：63363600.0%召回率33363600 33600 33606 召回率：10:100.0 %召回率：11:100.0%召回率：12:100.0 %召回率：13360100.0 %