torcheval.metrics.functional.multiclass_confusion_matrix

torcheval.metrics.functional.multiclass_confusion_matrix(input: Tensor, target: Tensor, num_classes: int, *, normalize: str | None = None) → Tensor

计算多类混淆矩阵，一个维度为 num_classes x num_classes 的矩阵，其中位置 (i,j) 的每个元素是真实类别为 i 并被预测为类别 j 的样本数量。

参数：

• input (Tensor) – 标签预测的张量。它可以是预测的标签，形状为 (n_sample, )。它也可以是概率或 logits，形状为 (n_sample, n_class)。torch.argmax 将用于将输入转换为预测标签。

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

• num_classes (int) – 类别数量。

• normalize –

  • None [默认]

    给出原始计数（'none' 也默认为此）

  • 'pred':

    按预测类别进行归一化，即使行加起来为 1。

  • 'true':

    按条件正例进行归一化，即使列加起来为 1。

  • 'all'”

    按所有样本进行归一化，即使所有矩阵条目加起来为 1。

示例

>>> import torch
>>> from torcheval.metrics.functional import multiclass_confusion_matrix
>>> input = torch.tensor([0, 2, 1, 3])
>>> target = torch.tensor([0, 1, 2, 3])
>>> multiclass_confusion_matrix(input, target, 4)
tensor([[1, 0, 0, 0],
        [0, 0, 1, 0],
        [0, 1, 0, 0],
        [0, 0, 0, 1]])

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

>>> input = torch.tensor([0, 0, 1, 1, 1, 2, 1, 2])
>>> target = torch.tensor([2, 0, 2, 0, 1, 2, 1, 0])
>>> multiclass_confusion_matrix(input, target, 3)
tensor([[1, 1, 1],
        [0, 2, 0],
        [1, 1, 1]])

>>> input = torch.tensor([0, 0, 1, 1, 1, 2, 1, 2])
>>> target = torch.tensor([2, 0, 2, 0, 1, 2, 1, 0])
>>> multiclass_confusion_matrix(input, target, 3, normalize="pred")
tensor([[0.5000, 0.2500, 0.5000],
        [0.0000, 0.5000, 0.0000],
        [0.5000, 0.2500, 0.5000]])


>>> input = torch.tensor([0, 0, 1, 1, 1])
>>> target = torch.tensor([0, 0, 0, 0, 1])
>>> multiclass_confusion_matrix(input, target, 4)
tensor([[2, 2, 0, 0],
        [0, 1, 0, 0],
        [0, 0, 0, 0],
        [0, 0, 0, 0]])

>>> input = torch.tensor([[0.9, 0.1, 0, 0], [0.1, 0.2, 0.4, 0.3], [0, 1.0, 0, 0], [0, 0, 0.2, 0.8]])
>>> target = torch.tensor([0, 1, 2, 3])
>>> multiclass_confusion_matrix(input, target, 4)
tensor([[1, 0, 0, 0],
        [0, 0, 1, 0],
        [0, 1, 0, 0],
        [0, 0, 0, 1]])