keras迁移学习中的混淆矩阵

Question

我打算在我的模型中绘制混淆矩阵，我使用了基于深度学习模型的迁移学习概念。

混淆矩阵的代码

def plot_confusion_matrix(cm, classes, normalize=False,title='Confusion Matrix', cmap=plt.cm.Blues):
  plt.imshow(cm, interpolation='nearest', cmap=cmap)
  plt.title(title)
  plt.colorbar()
  tick_marks = np.arange(len(classes))
  plt.xticks(tick_marks, classes, rotation=45)
  plt.yticks(tick_marks, classes)

  if normalize:
    cm=cm.astype('float') / cm.sum(axis=1)[:, np.newaxis]
    print("Normalized Confusion Matrix")
  else:
    print("Confusion matrix, without normalization")
  print(cm)

  thresh = cm.max() / 2
  for i, j in itertools.product(range(cm.shape[0]),range(cm.shape[1])):
    plt.text(j, i, cm[i, j],
             horizontalalignment="center",
             color="white" if cm[i,j] > thresh else "black")
  plt.tight_layout()
  plt.ylabel('True Label')
  plt.xlabel('Predicted Label')

下面给出test_labels和预测的形状，

test_labels.shape
(12,)
predictions.shape
(10,2)

上面的代码运行良好，但我在下面看到了错误。所以请关注下面的代码，

cm = confusion_matrix(test_labels, predictions.argmax(axis=1))

这里是错误，

ValueError                                Traceback (most recent call last)
<ipython-input-40-79fd4e2e074c> in <module>()
----> 1 cm = confusion_matrix(test_labels, predictions.argmax(axis=1))

2 frames
/usr/local/lib/python3.6/dist-packages/sklearn/utils/validation.py in check_consistent_length(*arrays)
    210     if len(uniques) > 1:
    211         raise ValueError("Found input variables with inconsistent numbers of"
--> 212                          " samples: %r" % [int(l) for l in lengths])
    213 
    214 

ValueError: Found input variables with inconsistent numbers of samples: [12, 10]

注意：这是值错误，我对此感到困惑我尝试了越来越多但我失败了。所以我需要帮助来解决这个错误。

Answer 1

如错误所示，test_labels 和 predictions 的样本大小不同。当您使用批次进行预测时可能会发生这种情况，这可能会导致最后几个样本被丢弃。

一种可能是，您可以使用：

cm = confusion_matrix(test_labels[:-2], predictions.argmax(axis=1))

这可能会解决形状不匹配的问题（但它是基于预测中最后两个样本缺失的假设）。

如果您能分享用于预测的代码，我可能会提供更有用的答案。

keras迁移学习中的混淆矩阵

Confusion Matrix in transfer learning with keras

python

confusion-matrix

deep-learning

keras

transfer-learning