torcheval.metrics.functional.binary_confusion_matrix

torcheval.metrics.functional.binary_confusion_matrix(input: Tensor, target: Tensor, *, threshold: float = 0.5, normalize: str | None = None) → Tensor

计算二元混淆矩阵，一个 2x2 的张量，包含计数（（真阳性，假阴性），（假阳性，真阴性））

参数：

• input (Tensor) – 形状为 (n_sample,) 的标签预测张量。将应用 torch.where(input < threshold, 0, 1) 到输入。

• target (Tensor) – 形状为 (n_sample,) 的真实标签张量。

• threshold (float, 默认 0.5) – 将输入转换为每个样本的预测标签的阈值。将应用 torch.where(input < threshold, 0, 1) 到 input。

• normalize –

  • None [默认]

    给出原始计数（'none' 也默认为此）

  • 'pred':

    跨预测标准化，即行加起来等于 1。

  • 'true':

    跨条件正标准化，即列加起来等于 1。

  • 'all'”

    跨所有示例标准化，即所有矩阵条目加起来等于 1。

示例

>>> import torch
>>> from torcheval.metrics.functional import binary_confusion_matrix
>>> input = torch.tensor([0, 1, 0.7, 0.6])
>>> target = torch.tensor([0, 1, 1, 0])
>>> binary_confusion_matrix(input, target)
tensor([[1, 1],
        [0, 2]])

>>> input = torch.tensor([1, 1, 0, 0])
>>> target = torch.tensor([0, 1, 1, 1])
>>> binary_confusion_matrix(input, target, threshold=1)
tensor([[0, 1],
        [2, 1]])

>>> input = torch.tensor([1, 1, 0, 0])
>>> target = torch.tensor([0, 1, 1, 1])
>>> binary_confusion_matrix(input, target, normalize="true")
tensor([[0.0000, 1.0000],
        [0.6667, 0.3333]])