这篇博客探讨了在六分类问题中使用混淆矩阵进行模型性能评估的方法。混淆矩阵详细展示了真实值与预测值的对应关系，包括正确分类的像素数量（对角线元素）以及各类别的误分类情况。通过计算对角线元素的和（PA），均类像素精度（MPA）和交并比（IoU），可以全面理解模型的准确性和定位错误。这些指标对于优化图像分类算法至关重要。
混淆矩阵（巧妙的将真实值与预测值对应起来）
六分类问题：如下
L：label标签
P：预测像素类别
n×L+P：类别数×标签值+预测值
行0-5对应预测标签↓
列0-5对应真实标签↓
得到的结果对应表示为：真实为0，预测为0的像素点有1个；真实为1，预测为1的像素点有2个；真实为2，预测为1的像素点有1个。。。依此类推。
对角线上的元素是预测正确的，对角线上的元素求和就是整个图片分类正确的像素个数
PA = 对角线上元素和（标记正确像素）/ 总和
MPA（均类像素精度）：每个类被正确标记的像素个数比例，再求所有类平均
MPA=np.nanmean（对角线/每行和）
loU（交并比）：真实和预测的交集/真实和预测的并集
loU=对角线/（行和+列和-对角线）
扫一扫
1978
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
