文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindspore.nn.ConfusionMatrix

class mindspore.nn.ConfusionMatrix(num_classes, normalize='no_norm', threshold=0.5)

计算混淆矩阵(confusion matrix)，通常用于评估分类模型的性能，包括二分类和多分类场景。

如果只想使用混淆矩阵，请使用该类。如果想计算”PPV”、”TPR”、”TNR”等，请使用’mindspore.nn.ConfusionMatrixMetric’类。

参数：

• num_classes (int) - 数据集中的类别数量。

• normalize (str) - 计算ConfsMatrix的参数支持四种归一化模式，默认值：’no_norm’。

  • “no_norm” (None) - 不使用标准化。

  • “target” (str) - 基于目标值的标准化。

  • “prediction” (str) - 基于预测值的标准化。

  • “all” (str) - 整个矩阵的标准化。

• threshold (float) - 阈值，用于与输入Tensor进行比较。默认值：0.5。

支持平台：

Ascend GPU CPU

样例：

>>> import numpy as np
>>> from mindspore import nn, Tensor
>>>
>>> x = Tensor(np.array([1, 0, 1, 0]))
>>> y = Tensor(np.array([1, 0, 0, 1]))
>>> metric = nn.ConfusionMatrix(num_classes=2, normalize='no_norm', threshold=0.5)
>>> metric.clear()
>>> metric.update(x, y)
>>> output = metric.eval()
>>> print(output)
[[1. 1.]
 [1. 1.]]

clear()

重置评估结果。

eval()

计算混淆矩阵。

返回：

numpy.ndarray，计算的结果。

update(*inputs)

使用y_pred和y更新内部评估结果。

参数：

• *inputs (tuple) - 输入 y_pred 和 y 。 y_pred 和 y 是 Tensor 、列表或数组。 y_pred 是预测值， y 是真实值， y_pred 的shape是 $(N,C,...)$ 或 $(N,...)$ ， y 的shape是 $(N,...)$ 。

异常：

• ValueError - 输入参数的数量不等于2。

• ValueError - 如果预测值和标签的维度不一致。