我正在使用分类器的多类多标签输出。类的总数为14，实例可以关联多个类。例如：
y_true = np.array([[0,0,1], [1,1,0],[0,1,0])
y_pred = np.array([[0,0,1], [1,0,1],[1,0,0])
我现在制作混淆矩阵的方式：
matrix = confusion_matrix(y_true.argmax(axis=1), y_pred.argmax(axis=1))
print(matrix)
输出如下：
[[ 79 0 0 0 66 0 0 151 1 8 0 0 0 0]
[ 4 0 0 0 11 0 0 27 0 0 0 0 0 0]
[ 14 0 0 0 21 0 0 47 0 1 0 0 0 0]
[ 1 0 0 0 4 0 0 25 0 0 0 0 0 0]
[ 18 0 0 0 50 0 0 63 0 3 0 0 0 0]
[ 4 0 0 0 3 0 0 19 0 0 0 0 0 0]
[ 2 0 0 0 3 0 0 11 0 2 0 0 0 0]
[ 22 0 0 0 20 0 0 138 1 5 0 0 0 0]
[ 12 0 0 0 9 0 0 38 0 1 0 0 0 0]
[ 10 0 0 0 3 0 0 40 0 4 0 0 0 0]
[ 3 0 0 0 3 0 0 14 0 3 0 0 0 0]
[ 0 0 0 0 2 0 0 3 0 0 0 0 0 0]
[ 2 0 0 0 11 0 0 32 0 0 0 0 0 0]
[ 0 0 0 0 0 0 0 3 0 0 0 0 0 7]]
现在，我不确定sklearn的混淆矩阵是否能够处理多标签多类数据。谁能帮我一下吗？
您需要做的是生成多个二进制混淆矩阵（因为实际上您有多个二进制标签）
某物大致如下：
import numpy as np
from sklearn.metrics import confusion_matrix
y_true = np.array([[0,0,1], [1,1,0],[0,1,0]])
y_pred = np.array([[0,0,1], [1,0,1],[1,0,0]])
labels = ["A", "B", "C"]
conf_mat_dict={}
for label_col in range(len(labels)):
y_true_label = y_true[:, label_col]
y_pred_label = y_pred[:, label_col]
conf_mat_dict[labels[label_col]] = confusion_matrix(y_pred=y_pred_label, y_true=y_true_label)
for label, matrix in conf_mat_dict.items():
print("Confusion matrix for label {}:".format(label))
print(matrix)
现在您可以使用（版本0.21）sklearn。韵律学。多标签\u混淆\u矩阵
https://scikit-learn.org/stable/modules/generated/sklearn.metrics.multilabel_confusion_matrix.html
我们尝试为每个示例预测两个标签
import sklearn.metrics as skm
y_true = np.array([
[0,0], [0,1], [1,1], [0,1], [0,1], [1,1]
])
y_pred = np.array([
[1,1], [0,1], [0,1], [1,0], [0,1], [1,1]
])
cm = skm.multilabel_confusion_matrix(y_true, y_pred)
print(cm)
print( skm.classification_report(y_true,y_pred))
标签的混淆矩阵：
[[[2 2]
[1 1]]
[[0 1]
[1 4]]]
分类报告：
precision recall f1-score support
0 0.33 0.50 0.40 2
1 0.80 0.80 0.80 5
micro avg 0.62 0.71 0.67 7
macro avg 0.57 0.65 0.60 7
weighted avg 0.67 0.71 0.69 7
samples avg 0.67 0.58 0.61 7
有一种创建二维（n 1 x n 1）矩阵形状的多标签混淆矩阵（MLCM）的方法。要安装“mlcm”并查看如何使用它的示例，请转到：https://pypi.org/project/mlcm/MLCM方法创建了一个混淆矩阵，该矩阵类似于多类（单标签）混淆矩阵，显示了一个类的FN在其他类上的分布。多标签数据的每个实例的真实标签数量从零到n不等（即类的数量），多标签数据的每个实例的预测标签数量从零到n不等。为了克服这个问题（没有真实标签和/或没有预测标签），mlcm方法向混淆矩阵添加一行和一列，因此它有n 1行和n 1列。行（和列）0到n-1分别对应于类0到n-1。最后一行对应于输入实例没有真正标签的情况。最后一列对应于分类器不预测给定数据实例的任何类的情况
请阅读以下文章了解更多信息：M.Heydarian、T.Doyle和R.Samavi，MLCM：多标签混淆矩阵，IEEE Access，2022年2月，DOI:10.1109/Access。2022.3151048
