【python】分类模型测试结果的可视化

一、前言

不定期的用python复现一些在论文里看到的感觉还不错的图，平时开组会可以用到，自己写论文也可参考一下。

二、分类模型的概率分布图

1. 背景

上图出自论文《Sequential Decision Fusion for Environmental Classification in Assistive Walking》。在这两幅图中，横坐标代表时间轴，纵坐标是概率值，每一个最小时间刻度对应5个概率值，这5个概率值是模型输出的，加起来等于1，也就是说当某一个类别的概率值越大时，其他类别的概率就会越低，就会呈现两级分化的现象，这是我们想要达到的模型训练结果（如图b）。相反，当每个类的发生概率都不大时，就会呈现出图a的现象，这说明模型的分类更有可能会出错。

2. 代码实现

首先使用训练好模型对测试数据进行预测，这里我继续使用上篇文章中使用的ActivTracker的数据和模型。

import numpy as np
import matplotlib.pyplot as plt
from keras.models import load_model

#####################################加载数据和模型######################################
test_x = np.load(r'...\testData.npy')
groundTruth = np.load(r'...\groundTruth.npy')
model = load_model(r'...\model.h5')

#####################################对数据进行分类预测##################################
predictions = model.predict(test_x, verbose=2)
print(predictions.shape)
print(predictions)

print查看一下，一共有6130个输出，每个输出有6个概率值，分别对应6个类别的发生概率，我们把这些概率值提取出来再plot一下就ok了

完整代码如下：

import numpy as np
import matplotlib.pyplot as plt
from keras.models import load_model

test_x = np.load(r'...\testData.npy')
groundTruth = np.load(r'...\groundTruth.npy')
model = load_model(r'...\model.h5')

predictions = model.predict(test_x, verbose=2)
# print(predictions.shape)
# print(predictions)
plt.figure(figsize=(12,3))

#####################数据有点多，我只用到了前面1000个输出#################
downstairs = predictions[:1000,0]
jogging = predictions[:1000,1]
sitting = predictions[:1000,2]
standing = predictions[:1000,3]
upstairs = predictions[:1000,4]
walking = predictions[:1000,5]

#####################使用marker并取消线条##########################
mark = 4
plt.plot(downstairs, marker = 'o', linestyle = '', markersize=mark)
plt.plot(jogging, marker = 'x', linestyle = '', markersize=mark)
plt.plot(sitting, marker = 's', linestyle = '', markersize=mark)
plt.plot(standing, marker = 'd', linestyle = '', markersize=mark)
plt.plot(upstairs, marker = '*', linestyle = '', markersize=mark)
plt.plot(walking, marker = 'p', linestyle = '', markersize=mark)

##############把x轴的单位换一下，这里传感器的频率时20Hz，所以200个数据等于10s################
plt.xticks([0,200,400,600,800,1000],['0','10','20','30','40','50'])
plt.xlabel('Time (s)')
plt.ylabel('Probability')

plt.legend(['downstairs','jogging','sitting','standing','upstairs','walking'],bbox_to_anchor=(0.9,1.2),ncol=6)

plt.savefig(r'...\probability.svg', format='svg',dpi = 600, transparent=True,bbox_inches = 'tight')
plt.show()

结果如下图所示，一眼望上去，感觉就jogging和walking两种模式的识别效果不错？

3. 总结

如果是不同算法对比的话，感觉用这个概率分布图比混淆矩阵看上去更直观一点，参考上面引用的论文图片。