当前位置：首页 > news >正文

混淆矩阵（Confusion Matrix）；归一化混淆矩阵（Confusion Matrix Normalized）

news 来源：原创 2025/4/30 15:51:32

---------------------------------------------------------------------------------------

图片中文名称

第一张图片：混淆矩阵（Confusion Matrix）
第二张图片：归一化混淆矩阵（Confusion Matrix Normalized）

相同点和不同点

相同点：

结构：两张图片都是混淆矩阵，展示了模型预测结果与真实标签之间的关系。
标签：两张图片的行和列标签相同，都是不同的类别名称，如“bottle”、“calculator”等。
对角线元素：对角线上的值表示正确分类的数量或比例，两张图中这些值是一致的。

不同点：

数值表示：
- 第一张图显示的是绝对数量，即每个类别被正确或错误分类的次数。
- 第二张图显示的是归一化后的比例，即每个类别被正确或错误分类的比例。
颜色深浅：
- 第一张图中颜色深浅表示数量的多少，颜色越深表示数量越多。
- 第二张图中颜色深浅表示比例的大小，颜色越深表示比例越高。

图片解释

第一张图片（混淆矩阵）

用途：用于展示分类模型的性能，特别是模型在不同类别上的分类准确性。
解读：
- 对角线上的值（如“bottle”类别的29，表示29个“bottle”被正确分类）表示模型正确分类的数量。
- 非对角线上的值表示分类错误的数量，例如“bottle”被错误分类为“calculator”的数量为37。
- 颜色越深表示数量越多，帮助快速识别分类错误的模式。

第二张图片（归一化混淆矩阵）

用途：用于更直观地展示每个类别的分类准确性，特别是当类别样本数量不均衡时。
解读：
- 对角线上的值（如“bottle”类别的0.97）表示该类别的分类准确率。
- 非对角线上的值表示分类错误的比例，例如“bottle”被错误分类为“calculator”的比例为0.04。
- 颜色越深表示比例越高，帮助快速识别分类错误的模式。

通过这两张图，可以更全面地了解模型在不同类别上的分类性能，特别是识别出哪些类别容易被误分类，从而指导模型的进一步优化。

-------------------------------------------------------------------------------

精确率表示模型的准确性：预测为正的结果中有多少是真的。例如模型检出了10个物体，其中8个真的是目标、另外2个是误报，则Precision＝80%。这是什么意思呢？

您对 精确率（Precision） 的理解完全正确！以下是更详细的解释和补充说明，帮助您彻底掌握这一概念：

精确率的定义

精确率（Precision） 衡量的是模型预测为“正类”（Positive）的结果中，有多少是真实的正类。其计算公式为：

Precision=真正例（True Positives, TP）真正例（TP） + 假正例（False Positives, FP）Precision=真正例（TP） + 假正例（False Positives, FP）真正例（True Positives, TP）

真正例（TP）：模型正确预测为正的样本（确实是目标）。
假正例（FP）：模型错误预测为正的样本（实际不是目标，误报）。

您的例子解析

假设模型检测出 10 个物体：

8 个是真实目标（TP = 8）
2 个是误报（FP = 2）

则精确率为：

Precision=88+2=80%Precision=8+28=80%

含义：模型给出的所有“正类”预测中，80% 是准确的，剩余 20% 是噪声或错误。

直观场景对比

场景 1（高精确率）

模型检测 5 个物体，全部是真实目标（TP=5, FP=0）。
Precision = 100%
✅ 适用于零容忍误报的场景（如医疗诊断）。

场景 2（低精确率）

模型检测 20 个物体，其中 10 个是真实目标（TP=10, FP=10）。
Precision = 50%
❌ 大量误报，需进一步筛选（如垃圾邮件过滤）。

与召回率（Recall）的区别

精确率：关注 预测结果的质量（“宁缺毋滥”）。
召回率（Recall）：关注 找出所有真实目标的能力（“宁可错杀”），计算为：
Recall=TPTP+假负例（False Negatives, FN）Recall=TP+假负例（False Negatives, FN）TP
（FN 是漏检的真实目标）。

实际应用中的权衡

高精确率 + 低召回率：模型保守，只预测高置信度目标（减少误报，但可能漏检）。
低精确率 + 高召回率：模型激进，检测更多目标（减少漏检，但误报增多）。

平衡方法：

调整分类阈值（如 YOLO 中的 conf 参数）。
使用 F1 Score（精确率和召回率的调和平均）。

在 YOLO 中的体现

python

from ultralytics import YOLOmodel = YOLO("yolov8n.pt")
results = model.predict(source="image.jpg", conf=0.5)  # 调整置信度阈值

提高 conf 值 → 精确率上升（预测更严格），召回率可能下降。
降低 conf 值 → 召回率上升（检测更多目标），精确率可能下降。

总结

您的例子完美展示了精确率的本质：模型预测为正类的可靠性。在实际项目中，需结合召回率共同优化，才能达到最佳效果！

confusion_matrix.png

PNG 173.31KB

confusion_matrix_normalized.png

PNG 223.28KB

横坐标和纵坐标，哪一个是真实的，哪一个被预测的呢？

在混淆矩阵（Confusion Matrix）中，横坐标（列）通常表示模型的预测结果（Predicted），而纵坐标（行）表示真实的标签（Actual/Ground Truth）。这是机器学习中的标准表示方式（但需注意个别文献或工具可能相反，需结合上下文确认）。

针对您提供的混淆矩阵的分析

1. 非归一化矩阵（confusion_matrix.png）

结构问题：您的表格未明确标注行列含义，但通过内容可推测：
- 左侧列（如 bottle - | 29）可能是真实标签（Actual）。
- 右侧数值可能是模型预测为该类的次数（Predicted）。
- 例如：真实标签为 bottle 的样本中，模型正确预测了 29 次，但也可能被误预测为其他类别（如 background）。

2. 归一化矩阵（confusion_matrix_normalized.png）

数值范围（0~1）：表示预测的准确率或比例。
- 例如 bottle - 0.97 表示真实为 bottle 的样本中，97% 被模型正确预测。
- 低值（如 clock - 0.02）表示模型对该类别的识别能力较差。

如何验证行列含义？

对角线元素：
- 混淆矩阵的对角线（从左上到右下）通常表示 正确预测（TP）。
- 若 bottle 的真实标签对应预测值 0.97（高值），则进一步支持纵轴是 Actual。
非对角线元素：
- 其他位置的数值表示 误分类（如真实为 bottle 但预测为 background）。