作者：十岁的小男孩
凡心所向，素履可往
目录
监督学习—混淆矩阵
是什么？有什么用？怎么用？
非监督学习—匹配矩阵
混淆矩阵
矩阵每一列代表预测值，每一行代表的是实际的类别。这个名字来源于它可以非常容易的表明多个类别是否有混淆（也就是一个class被预测成另一个class）。
假设有一个用来对猫（cats）、狗（dogs）、兔子（rabbits）进行分类的系统，混淆矩阵就是为了进一步分析性能而对该算法测试结果做出的总结。假设总共有 27 只动物：8只猫， 6条狗， 13只兔子。结果的混淆矩阵如上图：
在这个混淆矩阵中，实际有8只猫，但是系统将其中3只预测成了狗；对于6条狗，其中有1条被预测成了兔子，2条被预测成了猫。从混淆矩阵中我们可以看出系统对于区分猫和狗存在一些问题，但是区分兔子和其他动物的效果还是不错的。所有正确的预测结果都在对角线上，所以从混淆矩阵中可以很方便直观的看出哪里有错误，因为他们呈现在对角线外面。
tf.confusion_matrix
定义：
tf.confusion_matrix(labels,predictions,num_classes=None,dtype=tf.int32,name=None,weights=None )
ARGS：
labels：Tensor分类任务的1-D 真实标签。predictions：Tensor给定分类的1-D 预测。num_classes：分类任务可能具有的标签数量。如果未提供此值，则将使用预测和标签数组计算该值。dtype：混淆矩阵的数据类型。name：范围名称。weights：可选Tensor的形状匹配predictions。
返回：
甲Tensor类型的dtype具有形状[n, n]表示所述混淆矩阵，其中n是在分类任务可能的标签的数量。
例子：
tf.confusion_matrix([1, 2, 4], [2, 2, 4]) ==>[[0 0 0 0 0][0 0 1 0 0][0 0 1 0 0][0 0 0 0 0][0 0 0 0 1]]
请注意，假设可能的标签是[0, 1, 2, 3, 4]，导致5x5混淆矩阵。
我的图片分类项目中遇到的实例：
1.定义两个矩阵，用于放真实的标签和预测的标签，大小根据测试的次数计算,全为0.[1,test_num]
Y_true=np.zeros(len(test_num))#真实的标签
Y_predict=np.zeros(len(test_num))#预测的标签 2.将每步训练的标签放在矩阵中，我的项目中预测的的为标签，类似[0,0,0,1,0,0,0]，取出最大的，即为4，本步在循环中，记录每步训练。
Y_true[step_test]=np.argmax(testing_ys)
Y_predict[step_test]=np.argmax(predict) 3.调用TensorFlow的混淆矩阵函数，这一步需要将矩阵转换为tensor，在TensorFlow中运行的单元为tensor
confuse_martix=sess.run(tf.convert_to_tensor(tf.confusion_matrix(Y_true,Y_predict))) print(confuse_martix)
4.结果
匹配矩阵
在预测分析中，混淆表格（有时候也称为混淆矩阵），是由false positives，falsenegatives，true positives和true negatives组成的两行两列的表格。它允许我们做出更多的分析，而不仅仅是局限在正确率，对于上面的矩阵，可以表示为下面的表格
查准率 = 精度 = precision
查全率 = 召回率 = recall
本文仅用于学习研究，非商业用途，欢迎大家指出错误一起学习
本文参考了以下地址的讲解，万分感谢,如有侵权，请联系我会尽快删除，929994365@qq.com：
TensorFlow API网站：https://tensorflow.google.cn/api_docs/python/tf/confusion_matrix，TensorFlow的api在这个网站都可以查到
https://blog.csdn.net/qq_28448117/article/details/78219549
