confusion_matrix_normalized含义

### 归一化混淆矩阵的概念 在机器学习领域,尤其是分类模型评估中,混淆矩阵是一个重要的工具。对于多类别分类问题或者当不同类别的样本数量不均衡时,直接查看原始的混淆矩阵可能难以直观理解各个类别的表现情况。 归一化混淆矩阵通过将每个单元格中的数值除以其所在列总和的方式计算得出[^2]。这样做的目的是为了消除各类别之间实例数差异的影响,使得每一列代表的是该真实标签被预测成各个类的概率分布。具体来说: - 如果某一行表示实际为正类的情况,则其对应的那一行经过归一化后的值可以解读为给定一个真实的正样例条件下它被正确识别出来的概率以及误分为负的比例; - 同理,对于原本属于某一特定类型的测试集成员,在标准化之后能够更清晰地看出它们分别有多大几率会被错判到其它种类里去。 这种处理方法有助于更好地对比不同规模的数据集中各分类器的表现优劣,并且更容易发现某些容易混淆的类别对之间的关系。 ```python import numpy as np from sklearn.metrics import confusion_matrix import matplotlib.pyplot as plt import seaborn as sns def plot_normalized_confusion_matrix(y_true, y_pred, class_names): cm = confusion_matrix(y_true, y_pred) cm_norm = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis] fig, ax = plt.subplots() sns.heatmap(cm_norm, annot=True, fmt='.2f', cmap='Blues', xticklabels=class_names, yticklabels=class_names) plot_normalized_confusion_matrix([0, 1, 2], [0, 2, 1], ['Class A', 'Class B', 'Class C']) plt.show() ```

创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考

Python内容推荐

详解使用python绘制混淆矩阵(confusion_matrix)

详解使用python绘制混淆矩阵(confusion_matrix)

主要介绍了详解使用python绘制混淆矩阵(confusion_matrix),文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧

python入门&实用方法.pdf

python入门&实用方法.pdf

python方法;python入门&实用方法.pdf

用python实现动物图像分类识别的项目

用python实现动物图像分类识别的项目

用python实现动物图像分类识别的项目

Python InceptionV3 MNIST 手写数字分类

Python InceptionV3 MNIST 手写数字分类

Python InceptionV3 MNIST 手写数字分类 InceptionV3 在 MNIST 上训练分类,输出混淆矩阵、history.csv 与准确率曲线,数据自动下载。 功能: · MNIST 手写数字 · InceptionV3 Resize(299) 单通道适配 · 混淆矩阵 · 准确率曲线 · 自动下载数据 · 打包时预跑 output/preview 压缩包含可运行源码、依赖与说明,按 README 安装后即可复现。

Python DenseNet201 MNIST 手写数字分类

Python DenseNet201 MNIST 手写数字分类

Python DenseNet201 MNIST 手写数字分类 DenseNet201 在 MNIST 上训练分类,输出混淆矩阵、history.csv 与准确率曲线,数据自动下载。 功能: · MNIST 手写数字 · DenseNet201 密集连接 · 混淆矩阵 · 准确率曲线 · 自动下载数据 · 打包时预跑 output/preview 压缩包含可运行源码、依赖与说明,按 README 安装后即可复现。

Python MobileNetV2 CIFAR-10 图像分类

Python MobileNetV2 CIFAR-10 图像分类

Python MobileNetV2 CIFAR-10 图像分类 MobileNetV2 在 CIFAR-10 上训练分类,输出混淆矩阵、history.csv 与损失曲线,数据自动下载。 功能: · CIFAR-10 十类 · MobileNetV2 轻量网络 · 分类头适配 10 类 · 混淆矩阵 · history.csv · 准确率曲线 · 打包时预跑 output/preview 压缩包含可运行源码、依赖与说明,按 README 安装后即可复现。

Python Sobel边缘检测批量 梯度幅值报告

Python Sobel边缘检测批量 梯度幅值报告

Python Sobel边缘检测批量 梯度幅值报告 批量对灰度图做 Sobel 边缘检测,输出 edge_*.png、sobel_report.csv 与梯度幅值柱状图。 功能: · 缺省自动生成灰度演示图 · 批量 Sobel 边缘检测 · edge 输出图 · sobel_report.csv · 边缘密度预览与柱状图 · 打包时预跑 output/preview 压缩包含可运行源码、依赖与说明,按 README 安装后即可复现。

Python Isomap MNIST 降维可视化

Python Isomap MNIST 降维可视化

Python Isomap MNIST 降维可视化 对 MNIST 子集做 Isomap 二维投影,输出 isomap_scatter.png 与 isomap_points.csv。 功能: · MNIST 子集 · Isomap 二维投影 · isomap_scatter.png · isomap_points.csv · 可调 n_neighbors · 打包时预跑 output/preview 压缩包含可运行源码、依赖与说明,按 README 安装后即可复现。

Python 形态学黑帽批量 暗斑提取报告

Python 形态学黑帽批量 暗斑提取报告

Python 形态学黑帽批量 暗斑提取报告 批量对亮底图像做形态学黑帽提取暗斑,输出 blackhat_*.png、blackhat_report.csv 与暗像素比柱状图。 功能: · 缺省自动生成亮底暗斑图 · 批量黑帽形态学 · blackhat_report.csv · 前后对比预览网格 · dark_pixel_ratio 柱状图 · 打包时预跑 output/preview 压缩包含可运行源码、依赖与说明,按 README 安装后即可复现。

Python SMA 股价预测 简单移动平均

Python SMA 股价预测 简单移动平均

Python SMA 股价预测 简单移动平均 合成日收盘价做 SMA 预测,输出 metrics.csv、forecast.png 与 residuals.png。 功能: · 合成日收盘价 · SMA 简单移动平均预测 · 对比末值朴素基线 · metrics.csv · forecast.png · residuals.png · 打包时预跑 output/preview 压缩包含可运行源码、依赖与说明,按 README 安装后即可复现。

Python AdaBoost Iris 集成分类 误差曲线

Python AdaBoost Iris 集成分类 误差曲线

Python AdaBoost Iris 集成分类 误差曲线 AdaBoost 在 Iris 上三分类,输出混淆矩阵、弱学习器误差曲线与 report.csv。 功能: · Iris AdaBoost 集成分类 · 混淆矩阵 · 弱学习器误差曲线 · report.csv · 可配置树数 · 打包时预跑 output/preview 压缩包含可运行源码、依赖与说明,按 README 安装后即可复现。

第 08 节 GEE 的数据类型 (Landsat Images,  Confusion Marix).pdf

第 08 节 GEE 的数据类型 (Landsat Images, Confusion Marix).pdf

第 08 节 GEE 的数据类型 (Landsat Images, Confusion Marix).pdf

YOLO性能评价指标解析[代码]

YOLO性能评价指标解析[代码]

本文详细解析了YOLO目标检测模型的性能评价指标,包括训练集和验证集上的框损失(box_loss)、分类损失(cls_loss)和分布焦点损失(dfl_loss),以及精确度(Precision)、召回率(Recall)、F1-Score、FPS和mAP等关键指标。文章还介绍了混淆矩阵(confusion_matrix)和归一化混淆矩阵(confusion_matrix_normalized)的作用,以及如何通过PR曲线(Precision-Recall Curve)和F1-Confidence Curve评估模型性能。此外,还涵盖了模型训练过程中的参数记录(results.csv和args.yaml文件)和其他重要概念如IoU和FLOPs的解释。这些内容为理解和优化YOLO模型提供了全面的参考。

i-vector的工具箱

i-vector的工具箱

MSR Identity Toolbox: A Matlab Toolbox for Speaker Recognition Research Version 1.0 Seyed Omid Sadjadi, Malcolm Slaney, and Larry Heck Microsoft Research, Conversational Systems Research Center (CSRC) s.omid.sadjadi@gmail.com, {mslaney,larry.heck}@microsoft.com This report serves as a user manual for the tools available in the Microsoft Research (MSR) Identity Toolbox. This toolbox contains a collection of Matlab tools and routines that can be used for research and development in speaker recognition. It provides researchers with a test bed for developing new front-end and back-end techniques, allowing replicable evaluation of new advancements. It will also help newcomers in the field by lowering the “barrier to entry”, enabling them to quickly build baseline systems for their experiments. Although the focus of this toolbox is on speaker recognition, it can also be used for other speech related applications such as language, dialect and accent identification. In recent years, the design of robust and effective speaker recognition algorithms has attracted significant research effort from academic and commercial institutions. Speaker recognition has evolved substantially over the past 40 years; from discrete vector quantization (VQ) based systems to adapted Gaussian mixture model (GMM) solutions, and more recently to factor analysis based Eigenvoice (i-vector) frameworks. The Identity Toolbox provides tools that implement both the conventional GMM-UBM and state-of-the-art i-vector based speaker recognition strategies. A speaker recognition system includes two primary components: a front-end and a back-end. The front-end transforms acoustic waveforms into more compact and less redundant representations called acoustic features. Cepstral features are most often used for speaker recognition. It is practical to only retain the high signal-to-noise ratio (SNR) regions of the waveform, therefore there is also a need for a speech activity detector (SAD) in the fr

Hydrus2D/3D手册

Hydrus2D/3D手册

源码直接下载地址: https://pan.quark.cn/s/041ffe59e000 ### Hydrus2D/3D软件使用指南核心内容阐释 #### 简介 Hydrus2D/3D是一款专为模拟非饱和介质内水、热量以及多种溶质在二维和三维空间中的传输行为而设计的专业计算软件。这份使用指南详细阐述了从图形交互界面、项目构建流程到具体参数配置等各个层面的操作方法。 #### 图形交互界面说明 - **主要用途**:旨在简化复杂的数据输入准备工作,借助直观化的操作界面增强用户的使用感受。 - **兼容平台**:能够运行于Windows95/98/NT/ME/XP等操作系统环境。 - **主要优势**: - 实现与计算核心的直接交互。 - 经重新设计以应对三维问题的求解需求。 - 设备全面的上下文关联在线辅助功能。 #### 项目构建与数据维护 - **模拟区域形状设定**:明确界定模拟所覆盖的空间范围和几何形态。 - **水分运动参数配置**:设定与水分子流动相关的物理常数。 - **时间框架设定**:确定模拟所经历的时间跨度和计算步长。 - **结果输出配置**:安排输出数据的种类和存储格式。 - **收敛标准设定**:规定迭代计算过程中的精确度要求。 - **水力模型选择**:挑选适用于特定土壤类型的水文动力学模型。 - **溶质传输特性定义**:规定溶质在介质中的迁移规律。 - **植物根系水分吸收模拟**:重现植物根系对水分的吸收机制。 - **热量扩散参数配置**:设定热量传递的相关指标。 - **时变边界条件设定**:安排随时间变化的边界约束条件。 - **人工湿地模拟**:重现特定生态系统下的水文循环过程。 #### 迁移区域几何构建 - **边界元素...

B2_刹车盘桁架自动加工线设计模型.rar

B2_刹车盘桁架自动加工线设计模型.rar

B2_刹车盘桁架自动加工线设计模型.rar

SMT全自动涂覆机.rar

SMT全自动涂覆机.rar

SMT全自动涂覆机.rar

L型全自动封切包装机.rar

L型全自动封切包装机.rar

L型全自动封切包装机.rar

RT-Thread是一个集实时操作系统(RTOS)内核、中间件组件的物联网操作系统

RT-Thread是一个集实时操作系统(RTOS)内核、中间件组件的物联网操作系统

RT-Thread诞生于2006年,是一款以开源、中立、社区化发展起来的物联网操作系统。 RT-Thread主要采用 C 语言编写,浅显易懂,且具有方便移植的特性(可快速移植到多种主流 MCU 及模组芯片上)。RT-Thread把面向对象的设计方法应用到实时系统设计中,使得代码风格优雅、架构清晰、系统模块化并且可裁剪性非常好。 RT-Thread有完整版和Nano版,对于资源受限的微控制器(MCU)系统,可通过简单易用的工具,裁剪出仅需要 3KB Flash、1.2KB RAM 内存资源的 NANO 内核版本;而相对资源丰富的物联网设备,可使用RT-Thread完整版,通过在线的软件包管理工具,配合系统配置工具实现直观快速的模块化裁剪,并且可以无缝地导入丰富的软件功能包,实现类似 Android 的图形界面及触摸滑动效果、智能语音交互效果等复杂功能。

B05-索尼机器狗.rar

B05-索尼机器狗.rar

B05-索尼机器狗.rar

最新推荐最新推荐

recommend-type

pytorch 实现查看网络中的参数

今天小编就为大家分享一篇pytorch 实现查看网络中的参数,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
recommend-type

pytorch 查看cuda 版本方式

主要介绍了pytorch 查看cuda 版本方式,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
recommend-type

pytorch框架学习(13)——可视化工具TensorBoard

文章目录1. TensorBoard简介2. tensorboard使用2.1 SummaryWriter2.2 方法 1. TensorBoard简介 TensorBoard:TensorFlow中强大的可视化工具 支持标量、图像、文本、音频、视频和Embedding等多种数据可视化 运行机制 tensorboard –logdir=./runs 作业 熟悉TensorBoard的运行机制,安装TensorBoard,并绘制曲线 y = 2*x import numpy as np from torch.utils.tensorboard import SummaryWriter writ
recommend-type

PyTorch学习笔记(七):PyTorch可视化

资源PyTorch学习笔记(七):PyTorch可视化知识分享
recommend-type

第4章 基于Pytorch的相关可视化工具.rar

PyTorch深度学习入门与实战(案例视频精讲)课堂教学讲义(Jupyter :ipynb,文字和代码以及插图 )
recommend-type

学生成绩管理系统C++课程设计与实践

资源摘要信息:"学生成绩信息管理系统-C++(1).doc" 1. 系统需求分析与设计 在进行学生成绩信息管理系统开发前,首先需要进行系统需求分析,这是确定系统开发目标与范围的过程。需求分析应包括数据需求和功能需求两个方面。 - 数据需求分析: - 学生成绩信息:需要收集学生的姓名、学号、课程成绩等数据。 - 数据类型和长度:明确每个数据项的数据类型(如字符串、整型等)和长度,例如学号可能是字符串类型且长度为一定值。 - 描述:详细描述每个数据项的意义,以确保系统能够准确处理。 - 功能需求分析: - 列出功能列表:用户界面应提供清晰的操作指引,列出所有可用功能。 - 查询学生成绩:系统应能通过学号或姓名查询学生的成绩信息。 - 增加学生成绩信息:允许用户添加未保存的学生成绩信息。 - 删除学生成绩信息:能够通过学号或姓名删除已经保存的成绩信息。 - 修改学生成绩信息:通过学号或姓名修改已有的成绩记录。 - 退出程序:提供安全退出程序的选项,并确保所有修改都已保存。 2. 系统设计 系统设计阶段主要完成内存数据结构设计、数据文件设计、代码设计、输入输出设计、用户界面设计和处理过程设计。 - 内存数据结构设计: - 使用链表结构组织内存中的数据,便于动态增删查改操作。 - 数据文件设计: - 选择文本文件存储数据,便于查看和编辑。 - 代码设计: - 根据功能需求,编写相应的函数和模块。 - 输入输出设计: - 设计简洁明了的输入输出提示信息和操作流程。 - 用户界面设计: - 用户界面应为字符界面,方便在命令行环境下使用。 - 处理过程设计: - 设计数据处理流程,确保每个操作都有明确的处理逻辑。 3. 系统实现与测试 实现阶段需要根据设计阶段的成果编写程序代码,并进行系统测试。 - 程序编写: - 完成系统设计中所有功能的程序代码编写。 - 系统测试: - 设计测试用例,通过测试用例上机测试系统。 - 记录测试方法和测试结果,确保系统稳定可靠。 4. 设计报告撰写 最后,根据系统开发的各个阶段,撰写详细的设计报告。 - 系统描述:包括问题说明、数据需求和功能需求。 - 系统设计:详细记录内存数据结构设计、数据文件设计、代码设计、输入/输出设计、用户界面设计、处理过程设计。 - 系统测试:包括测试用例描述、测试方法和测试结果。 - 设计特点、不足、收获和体会:反思整个开发过程,总结经验和教训。 时间安排: - 第19周(7月12日至7月16日)完成项目。 - 7月9日8:00到计算机学院实验中心(三楼)提交程序和课程设计报告。 指导教师和系主任(或责任教师)需要在文档上签名确认。 系统需求分析: - 使用表格记录系统需求分析的结果,包括数据项、数据类型、数据长度和描述。 - 分析数据项如学生成绩信息、状态器、链表节点等,确定其属性和行为。 以上就是文档中提到的学生成绩信息管理系统开发的关键知识点。开发此类系统需要熟练掌握C++编程基础,了解面向对象的程序设计思想,以及熟悉文件操作和链表等数据结构的应用。此外,良好的软件开发流程意识、测试意识和文档撰写能力也是必不可少的。
recommend-type

别再手动拖拽了!用Lumerical脚本批量创建FDTD仿真结构(附完整代码)

# 告别低效建模:Lumerical脚本自动化实战指南 在光子学仿真领域,时间就是科研生命线。当同行还在GUI界面里反复点击菜单时,你已经用脚本批量生成了20组参数化结构——这不是未来场景,而是每位FDTD用户都应该掌握的基础生产力革命。本文将彻底改变你与Lumerical的交互方式,从手动拖拽的农耕时代,跃迁到自动化建模的工业文明。 ## 1. 为何脚本建模是必然选择 2019年Nature Photonics的一项研究显示,科研工作者在仿真工具上平均浪费37%的时间在重复性操作上。对于需要参数扫描的纳米光学结构设计,这个数字可能更高。手动创建10个不同尺寸的纳米柱阵列意味着: -
recommend-type

Java邮件解析任务中,如何安全高效地提取HTML邮件内容并避免硬编码、资源泄漏和类型转换异常?

<think>我们被要求优化一段Java代码,该代码用于处理邮件(特别是来自特定发件人的构建通知邮件)。代码的主要问题包括: 1. 重复获取邮件内容:在检查MIME类型后,多次调用`msg[i].getContent()`,这可能导致性能问题或流关闭异常。 2. 类型转换问题:直接将邮件内容转换为`Multipart`而不进行类型检查,可能引发`ClassCastException`。 3. 代码结构问题:逻辑嵌套过深,可读性差,且存在重复代码(如插入邮件详情的操作在两个地方都有)。 4. 硬编码和魔法值:例如在解析HTML表格时使用了硬编码的索引(如list3.get(10)),这容易因邮件
recommend-type

RH公司应收账款管理优化策略研究

资源摘要信息:"本文针对RH公司的应收账款管理问题进行了深入研究,并提出了改进策略。文章首先分析了应收账款在企业管理中的重要性,指出其对于提高企业竞争力、扩大销售和充分利用生产能力的作用。然后,以RH公司为例,探讨了公司应收账款管理的现状,并识别出合同管理、客户信用调查等方面的不足。在此基础上,文章提出了一系列改善措施,包括完善信用政策、改进业务流程、加强信用调查和提高账款回收力度。特别强调了建立专门的应收账款回收部门和流程的重要性,并建议在实际应用过程中进行持续优化。同时,文章也意识到企业面临复杂多变的内外部环境,因此提出的策略需要根据具体情况调整和优化。 针对财务管理领域的专业学生和从业者,本文提供了一个关于应收账款管理问题的案例研究,具有实际指导意义。文章还探讨了信用管理和征信体系在应收账款管理中的作用,强调了它们对于提升企业信用风险控制和市场竞争能力的重要性。通过对比国内外企业在应收账款管理上的差异,文章总结了适合中国企业实际环境的应收账款管理方法和策略。" 根据提供的文件内容,以下是详细的知识点: 1. 应收账款管理的重要性:应收账款作为企业的一项重要资产,其有效管理关系到企业的现金流、财务健康以及市场竞争力。不良的应收账款管理会导致资金链断裂、坏账损失增加等问题,严重影响企业的正常运营和长远发展。 2. 应收账款的信用风险:在信用交易日益频繁的商业环境中,企业必须对客户信用进行评估,以便采取合理的信用政策,降低信用风险。 3. 合同管理的薄弱环节:合同是应收账款管理的法律基础,严格的合同管理能够保障企业权益,减少因合同问题导致的应收账款风险。 4. 客户信用调查:了解客户的信用状况对于预测和控制应收账款风险至关重要。企业需要建立有效的客户信用调查机制,识别和筛选信用良好的客户。 5. 应收账款回收策略:企业应建立有效的账款回收机制,包括定期的账款跟进、逾期账款的催收等。同时,建立专门的应收账款回收部门可以提升回收效率。 6. 应收账款管理流程优化:通过改进企业内部管理流程,如简化审批流程、提高工作效率等措施,能够提升应收账款的管理效率。 7. 应收账款管理策略的调整和优化:由于企业的内外部环境复杂多变,因此制定的管理策略需要根据实际情况进行动态调整和持续优化。 8. 信用管理和征信体系的作用:建立和完善企业内部信用管理体系和征信体系,有助于企业更好地控制信用风险,并在市场竞争中占据有利地位。 9. 对比国内外应收账款管理实践:通过研究国内外企业在应收账款管理上的不同做法和经验,可以借鉴先进的管理理念和方法,提升国内企业的应收账款管理水平。 综上所述,本文深入探讨了应收账款管理的多个方面,为RH公司乃至其他同类型企业提供了应收账款管理的改进方向和策略,对于财务管理专业的教育和实践都具有重要的参考价值。
recommend-type

新手别慌!用BingPi-M2开发板带你5分钟搞懂Tina Linux SDK目录结构

# 新手别慌!用BingPi-M2开发板带你5分钟搞懂Tina Linux SDK目录结构 第一次拿到BingPi-M2开发板时,面对Tina Linux SDK里密密麻麻的文件夹,我完全不知道从哪下手。就像走进一个陌生的大仓库,每个货架上都堆满了工具和零件,却找不到操作手册。这种困惑持续了整整两天,直到我意识到——理解目录结构比死记硬背每个文件更重要。 ## 1. 为什么SDK目录结构如此重要 想象你正在组装一台复杂的模型飞机。如果所有零件都混在一个箱子里,你需要花大量时间寻找每个螺丝和面板。但如果有分门别类的隔层,标注着"机身部件"、"电子设备"、"紧固件",组装效率会成倍提升。Ti