实习点滴（11）--TensorFlow快速计算“多分类问题”的混淆矩阵以及精确率、召回率、F1值、准确率

        在机器学习中，我们会利用一些指标（混淆矩阵、精确率、召回率、F1值、准确率）来判断我们模型的好坏，从而改进优化模型。下面介绍如何在TensorFlow下快速计算这些指标。

        1、混淆矩阵

        confusion_matrix = tf.contrib.metrics.confusion_matrix(labels_pred_all, labels_all, num_classes=None, dtype=tf.int32, name=None, weights=None)
        confusion_matrix = sess.run(confusion_matrix)

        因为第一步所计算出来的混淆矩阵是一个Tensor，所以需要进行转换。

        具体api详解：

        https://haosdent.gitbooks.io/tensorflow-document/content/api_docs/python/contrib.metrics.html#confusion_matrix

        值得注意的是：所计算出来的混淆矩阵，列是真实值（也就是期望值），行是预测值

        2、四大指标：

        有了混淆矩阵,计算四大指标就好办了。

        accu = [0,0,0,0,0]
        column = [0,0,0,0,0]
        line = [0,0,0,0,0]
        accuracy = 0
        recall = 0
        precision = 0
        for i in range(0,5):
            accu[i] = confusion_matrix[i][i]
        for i in range(0,5):
           for j in range(0,5):
               column[i]+=confusion_matrix[j][i]
        for i in range(0,5):
           for j in range(0,5):
               line[i]+=confusion_matrix[i][j]
        for i in range(0,5):
            accuracy += float(accu[i])/len_labels_all
        for i in range(0,5):
            if column[i] != 0:
                recall+=float(accu[i])/column[i]
        recall = recall / 5
        for i in range(0,5):
            if line[i] != 0:
                precision+=float(accu[i])/line[i]
        precision = precision / 5
        f1_score = (2 * (precision * recall)) / (precision + recall)