多标签分类的混淆矩阵答案

【问题标题】：Confusion matrix for multilabel classification多标签分类的混淆矩阵
【发布时间】：2021-11-11 15:23:20
【问题描述】：

我已经训练了两个多标签图像分类器。第一个标记图像类别m1, m2，而第二个标记它们根据类别t1, t2, t3 例如。重要的是模型不使用相同数量的标签。

使用python，我现在想研究预测之间的相关性，第一个问题是：在第一个模型j=1,2标记为mj的所有图像中，有多少也被标记为tk第二个模型k=1,2,3?

也就是说，假设我的预测是

img1 = ['m1', 'm2', 't1']
img1 = ['m1', 't1']
img1 = ['m1', 'm2', 't1', 't3']

然后我想在混淆矩阵中获得每个类别计数的相关性——如果我使用的术语不正确，我深表歉意：

   t1 t2 t3
m1 3  0  1
m2 2  0  1

我尝试使用 pandas.crosstab() 或 scikit-learn 混淆矩阵来构建它，但我找不到解决方案。

此外，在实际情况下，我必须处理 1200 张图像，第一个模型有 28 个标签，第二个模型有 120 个标签。

感谢您的帮助！

【问题讨论】：

标签： python pandas crosstab confusion-matrix

【解决方案1】：

由于我的问题没有得到答复或评论，因此它可能不那么相关。无论如何，我已经设法找到了解决方案，我会在这里分享以防万一。

这个例子比我在答案中给出的要好一点。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

M = []
M.append([1,2,3])
M.append([2,3])
M.append([1,3])
M.append([1,3])

T = []
T.append([1,2,3])
T.append([2,4])
T.append([1,3,4])
T.append([1])

labels1 = [1,2,3]
labels2 = [1,2,3,4]

counts = []
for m in labels1:
    ids = [id_ for id_ in range(4) if m in M[id_]]
    array = np.concatenate([T[id_] for id_ in ids])
    counts.append([np.bincount(array)[t] for t in labels2])

df = pd.DataFrame(counts)
df.columns = labels2
df.index = labels1


ax = sns.heatmap(df)
plt.show()

counts
>> output: [[3, 1, 2, 1], [1, 2, 1, 1], [3, 2, 2, 2]]

【讨论】：