Вопрос или проблема
В моем проекте мне нужно сгенерировать матрицу путаницы для классификации фруктов, зараженных бактериями, грибами и вирусами, в рамках трехклассовой классификации. Для этого я использовал модель CNN. Для этой модели CNN я отправил изображения R, G, B и серые изображения вместе с характеристиками (MSE, PSNR, SSIM) R, G, B и серых изображений в файле .csv, и у меня получилась хорошая точность. Теперь мне нужно сгенерировать матрицу путаницы на Python. Как это сделать…?
Ответ или решение
Для генерации матрицы путаницы в задаче классификации с тремя классами (Бактерии, Грибки и Вирусы) после использования сверточной нейронной сети (CNN) и кросс-валидации, вам потребуется выполнить несколько шагов. Приведенные ниже инструкции помогут вам в этом процессе.
Шаг 1: Импортирование необходимых библиотек
Начнем с импорта необходимых библиотек в Python. Убедитесь, что у вас установлены пакеты numpy, pandas, scikit-learn, и matplotlib.
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split, StratifiedKFold
from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay
import matplotlib.pyplot as plt
import torch
from torch.utils.data import DataLoader, TensorDatasetШаг 2: Загрузка и подготовка данных
Предполагается, что ваши данные являются комбинацией признаков из файлов CSV и меток классов. Вам нужно загрузить эти данные, а затем разделить их на обучающую и тестовую выборки.
# Загрузите данные из CSV файла
data = pd.read_csv('path/to/your/data.csv')
# Предполагается, что у вас есть столбцы 'features' и 'labels'
X = data[['MSE', 'PSNR', 'SSIM']] # замените на ваши реальные признаки
y = data['label'] # замена на столбец с метками классов
# Разделение данных на обучающую и тестовую выборки с использованием стратифицированного разбиения
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, stratify=y, random_state=42)Шаг 3: Создание модели CNN
Ваши данные затем могут быть использованы для обучения модели CNN. Этот пример будет кратким, предполагая, что ваша модель уже разработана и протестирована.
# Определите вашу модель CNN и обучите ее на X_train и y_train
# Загрузите данные в DataLoader и примените обучение
# (Опускания конкретной реализации CNN)Шаг 4: Кросс-валидация
Для создания матрицы путаницы нам нужно использовать кросс-валидацию. Мы будем использовать StratifiedKFold для гарантии, что каждое разбиение хорошо представлено по классам.
skf = StratifiedKFold(n_splits=5)
# Храните предсказанные метки и истинные метки
y_pred = []
y_true = []
for train_index, test_index in skf.split(X, y):
X_train, X_val = X.iloc[train_index], X.iloc[test_index]
y_train, y_val = y.iloc[train_index], y.iloc[test_index]
# Обучите модель на X_train и y_train
# model.fit(X_train, y_train)
# Предсказания на валидационной выборке
# preds = model.predict(X_val)
# y_pred.extend(preds)
# y_true.extend(y_val)Шаг 5: Генерация матрицы путаницы
Теперь, когда у вас есть истинные метки (y_true) и предсказанные метки (y_pred), вы можете создать и визуализировать матрицу путаницы.
# Генерирование матрицы путаницы
cm = confusion_matrix(y_true, y_pred, labels=['Bacteria', 'Fungus', 'Virus'])
# Визуализация матрицы путаницы
disp = ConfusionMatrixDisplay(confusion_matrix=cm, display_labels=['Bacteria', 'Fungus', 'Virus'])
disp.plot(cmap=plt.cm.Blues)
plt.title('Матрица путаницы')
plt.show()Заключение
Таким образом, вы можете создать матрицу путаницы для вашей модели классификации, используя кросс-валидацию. Убедитесь, что у вас правильно настроены все необходимые библиотеки и что ваша модель CNN обучается корректно, чтобы получить точные результаты.