TensorFlow es una biblioteca Python de código abierto diseñada por Google para desarrollar modelos de aprendizaje automático y redes neuronales de aprendizaje profundo. confusion_matrix() se usa para encontrar la array de confusión a partir de predicciones y etiquetas.
Sintaxis: tensorflow.math.confusion_matrix (etiquetas, predicciones, num_classes, pesos, dtype, nombre)
Parámetros:
- etiquetas: Es un tensor 1-D que contiene etiquetas reales para la tarea de clasificación.
- predicciones: también es un tensor 1-D de la misma forma que las etiquetas. Su valor representa la clase predicha.
- num_classes(opcional): Es el número posible de etiquetas/clasificación de clases que podría tener la tarea. Si no se proporciona, num_classes será uno más que el valor máximo en predicciones o etiquetas.
- peso (opcional): Es un tensor de la misma forma que las predicciones cuyos valores definen el peso correspondiente para cada predicción.
- dtype(opcional): Define el dtype de la array de confusión devuelta. Predeterminado si tensorflow.dtypes.int32.
- nombre (opcional): Define el nombre de la operación.
Devuelve:
Devuelve una array de confusión de forma [n,n] donde n es el número posible de etiquetas.
Ejemplo 1:
Python3
# importing the library import tensorflow as tf # Initializing the input tensor labels = tf.constant([1,3,4],dtype = tf.int32) predictions = tf.constant([1,2,3],dtype = tf.int32) # Printing the input tensor print('labels: ',labels) print('Predictions: ',predictions) # Evaluating confusion matrix res = tf.math.confusion_matrix(labels,predictions) # Printing the result print('Confusion_matrix: ',res)
Producción:
labels: tf.Tensor([1 3 4], shape=(3,), dtype=int32) Predictions: tf.Tensor([1 2 3], shape=(3,), dtype=int32) Confusion_matrix: tf.Tensor( [[0 0 0 0 0] [0 1 0 0 0] [0 0 0 0 0] [0 0 1 0 0] [0 0 0 1 0]], shape=(5, 5), dtype=int32)
Ejemplo 2: este ejemplo proporciona los pesos para todas las predicciones.
Python3
# importing the library import tensorflow as tf # Initializing the input tensor labels = tf.constant([1,3,4],dtype = tf.int32) predictions = tf.constant([1,2,4],dtype = tf.int32) weights = tf.constant([1,2,2], dtype = tf.int32) # Printing the input tensor print('labels: ',labels) print('Predictions: ',predictions) print('Weights: ',weights) # Evaluating confusion matrix res = tf.math.confusion_matrix(labels, predictions, weights=weights) # Printing the result print('Confusion_matrix: ',res)
Producción:
labels: tf.Tensor([1 3 4], shape=(3,), dtype=int32) Predictions: tf.Tensor([1 2 4], shape=(3,), dtype=int32) Weights: tf.Tensor([1 2 2], shape=(3,), dtype=int32) Confusion_matrix: tf.Tensor( [[0 0 0 0 0] [0 1 0 0 0] [0 0 0 0 0] [0 0 2 0 0] [0 0 0 0 2]], shape=(5, 5), dtype=int32)
Publicación traducida automáticamente
Artículo escrito por aman neekhara y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA