classification_report()评估报告

1、使用数据生成器后获得标签映射

方法一：

labels = [k for k in train_generator.class_indices]

方法二：

labels = [None] * len(test_generator.class_indices)
for k, v in test_generator.class_indices.items():
    labels[v] = k

 

2、模型训练完成后怎样生成评估报告和混淆矩阵

导包

from sklearn.metrics import classification_report, confusion_matrix

2.1、评估报告

预先准备

test_gen = ImageDataGenerator(rotation_range=5)
test_generator = test_gen.flow_from_directory(test_dir,
                                              　　　　　　　　target_size=(img_size,img_size),
                                              　　　　　　　　shuffle=False,
                                              　　　　　　　　class_mode='categorical')  # 多分类

注意：这里的shuffle必须设置为False，class_mode选择多分类。

方法一：

y_test = test_generator.classes
y_pred = model.predict(test_generator)
y_pred = np.argmax(y_pred, axis=1)
print(classification_report(y_test,y_pred,target_names=labels))

结果显示：

　　　　

 方法二：

test_generator.reset()
pred = model.predict_generator(test_generator, verbose=1)
# 输出每个图像的预测类别
predicted_class_indices = np.argmax(pred, axis=1)
print(classification_report(test_generator.classes,predicted_class_indices,target_names=labels))

结果和上面类似。

2.2、混淆矩阵

import matplotlib.pyplot as plt
import seaborn as sns

plt.figure(figsize=(10,8))
sns.heatmap(confusion_matrix(y_test,y_pred),annot=True,fmt='.3g',xticklabels=labels,yticklabels=labels,cmap='viridis')
plt.show()

结果显示如下：