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：
1 labels = [None] * len(test_generator.class_indices)
2 for k, v in test_generator.class_indices.items():
3 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
1 test_gen = ImageDataGenerator(rotation_range=5)
2 test_generator = test_gen.flow_from_directory(test_dir,
3 target_size=(img_size,img_size),
4 shuffle=False,
5 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：
1 y_test = test_generator.classes
2 y_pred = model.predict(test_generator)
3 y_pred = np.argmax(y_pred, axis=1)
4 print(classification_report(y_test,y_pred,target_names=labels))
结果显示：
方法二：
1 test_generator.reset()
2 pred = model.predict_generator(test_generator, verbose=1)
3 # 输出每个图像的预测类别
4 predicted_class_indices = np.argmax(pred, axis=1)
5 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
1 import matplotlib.pyplot as plt
2 import seaborn as sns
3
4 plt.figure(figsize=(10,8))
5 sns.heatmap(confusion_matrix(y_test,y_pred),annot=True,fmt='.3g',xticklabels=labels,yticklabels=labels,cmap='viridis')
6 plt.show()
结果显示如下：
