混淆矩阵构建的流程和应用Confusion Matrix

Label：L

0

1

2

3

1

1

2

2

3

4

Prediction: P

0

1

2

3

1

5

1

2

1

4

Step 1 乘法加法

n × L + P

0

7

14

21

7

11

13

14

19

28

        n指的是标签类别的数量，这里一共6个类别，n=6

        第三行，第三列，这个14这样来的。6 × 2 + 2 = 14。就是这样算，没错。

Step 2 bincount统计频数

L和P是分类结果，一共6类，所以取值范围是0-5。那么第三行的 n × L + P 取值范围是什么？6×0+0=0,这是最小值。6×5+5=35，这是最大值，取值范围是0到35.我们把第三行的值的一个频数统计，如下表。第一行是所有可能的取值，第二行是每种取值在我们这个数据里出现的次数

这个表格就是代码里bin_count这个函数干的事情，函数里的bin这个关键字代表可能数字的个数=max(n×L+P)+1。这里之所以用max是因为n×L+P这个式子里面的L和P的取值的你分类的标签，是变量，你分出来哪个就是哪个，我取最大的那个n和L算出来的（n×L+P）。这里是35+1=36个类别。

0	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	17	18	19	20	21	22	23	24	25	26	27	28	..	35
1	0	0	0	0	0	0	2	0	0	0	1	0	1	2	0	0	0	0	1	0	1	0	0	0	0	0	0	1	..	0

Step 3 转成混淆矩阵

下面把这个bincount计数变成一个二维的形式。上面那36个数，按照一行6个来，就是一个6×6的矩阵,像下面这样

	0	1	2	3	4	5
0	1
1		2				1
2		1	2
3		1		1
4					1
5

列对应的是预测的标签，行对应的是真实的标签

        举个例子，带着你看看一看。以第二行，行标签为1的这一行为例。意思是真实为1，有2个被分类成了1，有1个被你分类成了5。

        现在去最开始的两行label和prediction里面看看,下面黄色标注了，和我说的一样。

Label：L

0

1

2

3

1

1

2

2

3

4

Prediction: P

0

1

2

3

1

5

1

2

1

4

这里有同学要问了，那用的找你这么麻烦，我遍历L，把每个category出现的prediction的类别和数字统计好就行了，用得着你这个吗？

但是你说的这种方法的的时间复杂度没有我的小。因此用我这个。

Step 4 根据混淆矩阵计算评估指标

PA(Pixel Accuracy)

        只有对角线上的元素，表示我分类正确对了。

        所以，PA=对角线和 / 总和

MPA(Mean Pixel Accuracy)

        均类像素精度，统计每个类内部的像素精度，然后这些类再做平均。（因为数据大多存在imbalance的问题，他的目的是弱化样本过多的类别对score的影响，提高样本量过少的类别对score的影响）

        做法：每一行求和出来一个长度为6的向量，然后再拿着对角线这6个数组成的向量去除以前面那个向量。

IoU(Intersection over Union)

        交集比并集 

        对角线/（行和+列和-对角线）

                对角线的维度是6，整行求和出来的维度是6，整列求和的维度也是6，对角线的维度也是6

                行和+列和的时候对角线被加了2遍，所以要删掉一个，好比删掉intersection

        注意这里IoU出来是，一个向量是6个label的IoU。

MIoU（Mean Intersection over Union）

        上面这玩意，各类别求均值。