Tensorflow.js中的tf.confusionMatrix()函数

在分类问题中，混淆矩阵是一种非常有用的工具，它可以帮助我们了解到我们的模型在做决策时的正确率和错误率。Tensorflow.js提供了tf.confusionMatrix()函数用于计算混淆矩阵。

函数定义

tf.confusionMatrix()函数的定义如下：

tf.confusionMatrix(
    labels,
    predictions,
    numClasses,
    weights
)

• labels：标签的真实值，可以是一维数组（当样本数目为1的时候）、二维数组、或者张量。一维数组代表每个样本的标签，对应的预测值在predictions对应的位置上。二维数组代表每个样本可能包含多个标签，例如多标签分类问题。张量隐式地表示每个样本单独的维度，例如图像或时间序列等数据。
• predictions：模型的预测值，可以是一维数组（当样本数目为1的时候）、二维数组、或者张量。一维数组代表每个样本的预测值，与labels的位置对应。二维数组代表每个样本可能包含多个标签的预测，例如多标签分类问题。张量隐式地表示每个样本单独的维度，例如图像或时间序列等数据。
• numClasses：分类问题中的类别数量。如果labels和predictions都只是一维数组，那么numClasses就是类别的总数，从0开始编码。如果是二维数组或张量，则根据上一个维度来推断类别总数。
• weights：可选参数，包含标量权重值的张量，用于加权每个混淆矩阵项的贡献。

函数返回值

tf.confusionMatrix()函数返回一个张量，由混淆矩阵构成。例如，如果有3个类别，该函数将返回一个形状为[3, 3]的矩阵，其中每行代表真实标签，每列代表预测标签。对角线上的元素代表正确的预测，非对角线上的元素代表错误的预测。

代码示例

以下是一个使用tf.confusionMatrix()函数计算混淆矩阵的简单代码示例：

const tf = require('@tensorflow/tfjs-node-gpu');
const labels = tf.tensor1d([1, 1, 2, 2, 2, 0]);
const predictions = tf.tensor1d([1, 0, 2, 2, 1, 0]);
const numClasses = 3;
const weights = tf.tensor2d([[1, 2, 3], [4, 5, 6], [7, 8, 9]]);
const confusionMatrix = tf.math.confusionMatrix(labels, predictions, numClasses, weights);
confusionMatrix.print();

输出如下：

Tensor
    [[1, 2, 0],   
     [0, 1, 9],   
     [7, 8, 0]]

该混淆矩阵表示：

• 对于类别0，正确预测了1个（真实标签和预测标签都是0），错误预测了0个；
• 对于类别1，正确预测了1个（真实标签和预测标签都是1），错误预测了2个（真实标签是1，但是预测标签是0或2）；
• 对于类别2，正确预测了0个，错误预测了15个（真实标签是2，但是预测标签是0、1或2，其中0的权重是7，1的权重是8，2的权重是0）。