理解TP/FP/FN
- TP: 真实关系为A，预测关系也为A。
- FP: 预测为关系A，但真实关系不为A
- FN: 真实关系为A，但预测关系为其他关系。
代码
import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay# 类别标签顺序
labels = ['instance of', 'has part']# 真实关系标签与模型预测
y_true = ['instance of', 'instance of', 'instance of', 'instance of', 'has part', 'has part']
y_pred = ['instance of', 'instance of', 'has part', 'has part', 'has part', 'instance of']# 计算混淆矩阵，显式指定标签顺序
cm = confusion_matrix(y_true, y_pred, labels=labels)# 显示混淆矩阵
disp = ConfusionMatrixDisplay(confusion_matrix=cm, display_labels=labels)
disp.plot(cmap=plt.cm.Blues)# 旋转x轴标签，优化显示
plt.xticks(rotation=45)
plt.yticks(rotation=0)
plt.tight_layout()# 保存图像
plt.savefig('confusion_matrix.png')# 每个类别的pre/recall/f1/support
precision, recall, f1, support = precision_recall_fscore_support(y_true, y_pred, labels=labels)# 初始化字典存储 TP、FP、FN
results = {label: {'TP': 0, 'FP': 0, 'FN': 0} for label in labels}# 通过 precision, recall 和 support 反推出每个类别的 TP、FP 和 FN
for i, label in enumerate(labels):TP = int(support[i] * recall[i]) # recall = TP / (TP + FN)FN = support[i] - TP # FN = support - TPFP = int(TP / precision[i]) - TP if precision[i] > 0 else 0 # precision = TP / (TP + FP)results[label]['TP'] = TPresults[label]['FP'] = FPresults[label]['FN'] = FN# 输出结果
for label in labels:print(f"类别: {label}")print(f" TP: {results[label]['TP']}")print(f" FP: {results[label]['FP']}")print(f" FN: {results[label]['FN']}")
混淆矩阵
- True Positive (TP)：对角线上数值（预测正确）。
- False Positive (FP)：同一列中，非对角线上的数值（预测为某类但真实不是）。
- False Negative (FN)：同一行中，非对角线上的数值（真实为某类但预测不是）。
演示计算 instance of 类别的TP/FP/FN：
- TP=2
- FP=1
- FN=2
