### 如何在 PyTorch 中创建或使用混淆矩阵 在机器学习和深度学习领域，混淆矩阵是一种用于评估分类模型性能的重要工具。尽管 PyTorch 自身并未提供内置的混淆矩阵函数，但可以通过 `sklearn` 或自定义代码来生成并分析混淆矩阵。 以下是通过 Python 和 PyTorch 创建混淆矩阵的具体方法： #### 方法一：利用 `sklearn.metrics.confusion_matrix` 可以借助 `scikit-learn` 的 `confusion_matrix` 函数轻松计算混淆矩阵。此方法适用于任何分类任务的结果验证阶段。 ```python import torch from sklearn.metrics import confusion_matrix import numpy as np # 假设我们有预测标签和真实标签 y_true = torch.tensor([2, 0, 2, 2, 0, 1]) # 真实标签 y_pred = torch.tensor([0, 0, 2, 2, 0, 2]) # 预测标签 # 将 tensor 转换为 NumPy 数组以便兼容 scikit-learn y_true_np = y_true.numpy() y_pred_np = y_pred.numpy() # 计算混淆矩阵 cm = confusion_matrix(y_true_np, y_pred_np) print("Confusion Matrix:") print(cm) ``` 上述代码展示了如何基于真实的类别标签 (`y_true`) 和模型预测的类别标签 (`y_pred`) 来构建混淆矩阵[^1]。 --- #### 方法二：手动实现混淆矩阵 对于更灵活的应用场景，可以选择不依赖外部库的手动实现方式。这种方法有助于理解混淆矩阵的工作原理。 ```python def calculate_confusion_matrix(y_true, y_pred, num_classes): """ 手动生成混淆矩阵 参数: y_true (Tensor): 实际标签 y_pred (Tensor): 预测标签 num_classes (int): 类别的总数 返回: Tensor: 混淆矩阵 """ conf_matrix = torch.zeros(num_classes, num_classes, dtype=torch.int64) for true_label, pred_label in zip(y_true, y_pred): conf_matrix[true_label][pred_label] += 1 return conf_matrix # 使用示例 num_classes = 3 y_true = torch.tensor([2, 0, 2, 2, 0, 1]) y_pred = torch.tensor([0, 0, 2, 2, 0, 2]) conf_matrix = calculate_confusion_matrix(y_true, y_pred, num_classes=num_classes) print("Manually Calculated Confusion Matrix:") print(conf_matrix) ``` 该代码片段实现了无需第三方库即可完成的混淆矩阵计算功能[^2]。 --- #### 可视化混淆矩阵 为了更好地解释结果，通常会将混淆矩阵可视化。这一步可通过 `matplotlib` 完成。 ```python import matplotlib.pyplot as plt import seaborn as sns # 绘制混淆矩阵图 plt.figure(figsize=(8, 6)) sns.heatmap(conf_matrix, annot=True, fmt='d', cmap='Blues') plt.xlabel('Predicted Labels') plt.ylabel('True Labels') plt.title('Confusion Matrix Visualization') plt.show() ``` 这段代码提供了绘制热力图的方式，使得混淆矩阵更加直观易懂[^3]。 --- ### 总结 无论是采用现成的库还是自行开发逻辑，在 PyTorch 中都可以高效地生成和应用混淆矩阵以辅助模型评估工作。以上两种主要途径各有优劣——前者简单快捷；后者则更具灵活性与教育意义。