1 简介

有一篇文章返修了，由于文章的重点不在分类所以我之前就只写了个Kappa系数上去，没想到审稿人居然要求我提供其他参数ಥ_ಥ可是我只大概存了个各类型的分类。。。虽然后来从垃圾堆里翻了下数据，但也只能得到一个混淆矩阵。。。
说实话分类我做得也不多，作为纯ArcGIS党以前只知道有软件可以跑各种精度或GEE用现成代码跑。。这一块更是纯纯地没有经验。。
本着靠自己不靠别人的原则，这次我就想写一个基于混淆矩阵计算总体精度（Overall Accuracy，OA）、Kappa系数（Kappa Coefficient）、错分误差（Commission Error，CE）、漏分误差（Omission Error，OE）、生产者精度（Producer‘s Accuracy，PA）、用户精度（User’s Accuracy，UA）的代码。
在此之前，我先找呼院士咨询相关公式，它给了我一篇徐小洋的文章。所以这次代码里的公式都是基于这篇文章。

2 案例和代码说明

为了避免一些不必要的麻烦。。我这里拿出我现场随便瞎写的案例来做示例。
如果需要从excel还是哪里读表，可以自行检索相关的读取方法。
首先，我的遥感分类场景里有8类地物，这里敲进去一个矩阵（实际上是8个list）。

a = [200, 2  , 20 , 1  , 9  , 000, 000, 1  ]
b = [6  , 50 , 10 , 2  , 20 , 000, 4  , 6  ]
c = [12 , 6  , 300, 5  , 5  , 000, 000, 11 ]
d = [1  , 1  , 3  , 50 , 9  , 000, 000, 18 ]
e = [4  , 2  , 6  , 2  , 300, 7  , 1  , 22 ]
f = [000, 1  , 2  , 1  , 30 , 80 , 2  , 9  ]
g = [1  , 5  , 3  , 2  , 10 , 10 , 24 , 4  ]
h = [1  , 3  , 15 , 5  , 30 , 5  , 2  , 300]

到时候如果类别个数不一样可以直接改。

然后我再写一行把它合成一个二维矩阵。

Confusion_Matrix = [a, b, c, d, e, f, g, h
]

上面就是需要结合实际情况改的内容了。。也就是说整个代码只有上面的要动。
我怕有的人不懂改，那么我基于上述8类的场景把它改成一个4类的场景。注意：我只删去了后4类。

a = [200, 2  , 20 , 1  ]
b = [6  , 50 , 10 , 2  ]
c = [12 , 6  , 300, 5  ]
d = [1  , 1  , 3  , 50 ]Confusion_Matrix = [a, b, c, d
]

好的，接下来我写函数部分，函数部分不用改直接抄就行了。

import copydef OA(Confusion_Matrix):CM = Confusion_Matrixxia_list = []for i in range(len(CM)):xia_list.append(sum(CM[i]))xia = sum(xia_list)shang_list = []for i in range(len(CM)):shang_list.append(CM[i][i])shang = sum(shang_list)OA = shang / xiareturn OAdef KP(Overall_Accuracy, Confusion_Matrix):CM = Confusion_Matrixp0 = Overall_Accuracype_xia_list = []for i in range(len(CM)):pe_xia_list.append(sum(CM[i]))pe_xia = sum(pe_xia_list) ** 2CMT = list(map(list, zip(*CM))) # 转置pe_shang_list = []for i in range(len(CM)):pe_shang_list.append(sum(CM[i]) * sum(CMT[i]))pe_shang = sum(pe_shang_list)pe = pe_shang / pe_xiaKP = (p0 - pe) / (1 - pe)return KPdef CE(Class, Confusion_Matrix):CM = Confusion_MatrixClass_list = CM[Class]Commission_list = copy.deepcopy(Class_list)del Commission_list[Class]CE = sum(Commission_list) / sum(Class_list)return CEdef OE(Class, Confusion_Matrix):CM = Confusion_MatrixCMT = list(map(list, zip(*CM))) # 转置Class_list = CMT[Class]Ommission_list = copy.deepcopy(Class_list)del Ommission_list[Class]OE = sum(Ommission_list) / sum(Class_list)return OE

从上到下依次是总体精度（Overall Accuracy，OA）、Kappa系数（Kappa Coefficient）、错分误差（Commission Error，CE）、漏分误差（Omission Error，OE），而生产者精度（Producer‘s Accuracy，PA）和用户精度（User’s Accuracy，UA）基于CE和OE就可以直接得出，所以就不写复杂的函数了（懒）。
像OA这个函数，参数位把矩阵Confusion_Matrix扔进去就行了；
KP这个函数，需要填你计算好的OA和Confusion_Matrix；
CE和OE这两个函数是基于某一地类的，因此需要填入一个地类的序号，比如说第一类就填0，第二类就填1；
UA和PA是基于CE和OE得出的。。。所以我就没写，直接看输出部分吧。
最后写一个输出把计算的这些精度指标print出来。

# 总体精度
Overall_Accuracy = OA(Confusion_Matrix)
print(Overall_Accuracy)
# 卡帕系数
Kappa = KP(Overall_Accuracy, Confusion_Matrix)
print(Kappa)# 针对某一类
# 错分误差
Commission_Error = CE(0, Confusion_Matrix) # 第一个参数位写第几类，0是第一类，1是第二类
print(Commission_Error)
# 漏分误差
Omission_Error = OE(0, Confusion_Matrix) # 第一个参数位写第几类，0是第一类，1是第二类
print(Omission_Error)
# 用户精度
Users_Accuracy = 1 - Commission_Error
print(Users_Accuracy)
# 生产者精度/制图精度
Producers_Accuracy = 1 - Omission_Error
print(Producers_Accuracy)

下面是8地类案例print出来的结果。一共有6个指标。

3 完整代码

a = [200, 2  , 20 , 1  , 9  , 000, 000, 1  ]
b = [6  , 50 , 10 , 2  , 20 , 000, 4  , 6  ]
c = [12 , 6  , 300, 5  , 5  , 000, 000, 11 ]
d = [1  , 1  , 3  , 50 , 9  , 000, 000, 18 ]
e = [4  , 2  , 6  , 2  , 300, 7  , 1  , 22 ]
f = [000, 1  , 2  , 1  , 30 , 80 , 2  , 9  ]
g = [1  , 5  , 3  , 2  , 10 , 10 , 24 , 4  ]
h = [1  , 3  , 15 , 5  , 30 , 5  , 2  , 300]Confusion_Matrix = [a, b, c, d, e, f, g, h
]import copydef OA(Confusion_Matrix):CM = Confusion_Matrixxia_list = []for i in range(len(CM)):xia_list.append(sum(CM[i]))xia = sum(xia_list)shang_list = []for i in range(len(CM)):shang_list.append(CM[i][i])shang = sum(shang_list)OA = shang / xiareturn OAdef KP(Overall_Accuracy, Confusion_Matrix):CM = Confusion_Matrixp0 = Overall_Accuracype_xia_list = []for i in range(len(CM)):pe_xia_list.append(sum(CM[i]))pe_xia = sum(pe_xia_list) ** 2CMT = list(map(list, zip(*CM))) # 转置pe_shang_list = []for i in range(len(CM)):pe_shang_list.append(sum(CM[i]) * sum(CMT[i]))pe_shang = sum(pe_shang_list)pe = pe_shang / pe_xiaKP = (p0 - pe) / (1 - pe)return KPdef CE(Class, Confusion_Matrix):CM = Confusion_MatrixClass_list = CM[Class]Commission_list = copy.deepcopy(Class_list)del Commission_list[Class]CE = sum(Commission_list) / sum(Class_list)return CEdef OE(Class, Confusion_Matrix):CM = Confusion_MatrixCMT = list(map(list, zip(*CM))) # 转置Class_list = CMT[Class]Ommission_list = copy.deepcopy(Class_list)del Ommission_list[Class]OE = sum(Ommission_list) / sum(Class_list)return OE# 总体精度
Overall_Accuracy = OA(Confusion_Matrix)
print(Overall_Accuracy)
# 卡帕系数
Kappa = KP(Overall_Accuracy, Confusion_Matrix)
print(Kappa)# 针对某一类
# 错分误差
Commission_Error = CE(0, Confusion_Matrix) # 第一个参数位写第几类，0是第一类，1是第二类
print(Commission_Error)
# 漏分误差
Omission_Error = OE(0, Confusion_Matrix) # 第一个参数位写第几类，0是第一类，1是第二类
print(Omission_Error)
# 用户精度
Users_Accuracy = 1 - Commission_Error
print(Users_Accuracy)
# 生产者精度/制图精度
Producers_Accuracy = 1 - Omission_Error
print(Producers_Accuracy)

如果对你有帮助，还望支持一下~点击此处施舍或扫下图的码。
-----------------------分割线（以下是乞讨内容）-----------------------

【Python】一个简陋的基于混淆矩阵计算遥感分类精度（总体精度、Kappa系数、用户精度、生产者精度等）的代码相关推荐

R语言构建logistic回归模型并评估模型：构建基于混淆矩阵计算分类评估指标的自定义函数、阳性样本比例（垃圾邮件比例）变化对应的分类器性能的变化、基于数据阳性样本比例选择合适的分类评估指标
R语言构建logistic回归模型并评估模型:构建基于混淆矩阵计算分类评估指标的自定义函数.阳性样本比例(垃圾邮件比例)变化对应的分类器性能的变化.基于数据阳性样本比例选择合适的分类评估指标目录
R语言构建logistic回归模型并评估模型：计算混淆矩阵、并基于混淆矩阵计算Accuray、Precision、Recall(sensitivity)、F1、Specificity指标
R语言构建logistic回归模型并评估模型:计算混淆矩阵.并基于混淆矩阵计算Accuray.Precision.Recall(sensitivity).F1.Specificity指标目录
R语言使用yardstick包的conf_mat函数计算多分类（Multiclass）模型的混淆矩阵、并使用summary函数基于混淆矩阵输出分类模型评估的其它详细指标（kappa、npv等13个）
R语言使用yardstick包的conf_mat函数计算多分类(Multiclass)模型的混淆矩阵(confusion matrix).并使用summary函数基于混淆矩阵输出分类模型评估的其它详细 ...
python 一个简陋的web服务器
import socket#生成实例对象 sk=socket.socket() #绑定ip和端口 sk.bind(('127.0.0.1',7171)) #监听 sk.listen()while 1: ...
混淆矩阵（交叉表）及Kappa系数的计算
交叉分类表,是以两个不同时期的地理实体类型为横纵坐标的表格. ①用于参照的时期的类型位于表格的上方,按照横方向排列 ②用以比较的时期的类型位于表格的左方,垂直排列 ③在横纵坐标上类型的排列顺序一致 ④ ...
遥感分类误差矩阵_遥感卫星影像之分类精度评价
原标题:遥感卫星影像之分类精度评价对一帧遥感影像进行专题分类后需要进行分类精度的评价,而进行评价精度的因子有混淆矩阵.总体分类精度.Kappa系数.错分误差.漏分误差.每一类的制图精度和拥护精度. ...
自然语言处理入门实战1：基于机器学习的文本分类
基于机器学习的文本分类配置文件数据集数据预处理 model 模型主函数预测结果参考代码本文参考复旦大学自然语言处理入门练习,主要是实现用tensorflow实现基于logistic/s ...
混淆矩阵是什么？Python多分类的混淆矩阵计算及可视化（包含原始混淆矩阵及归一化的混淆矩阵）:基于skelarn框架iris数据集
混淆矩阵是什么?Python多分类的混淆矩阵计算及可视化(包含原始混淆矩阵及归一化的混淆矩阵):基于skelarn框架iris数据集目录
python界面显示图片更换背景_用python制作一个简陋的证件照换底色的桌面控制台应用...
获取抠图API密钥前往RemoveBg官网注册一个账号注册账户界面已翻译,Api每月可用50次注册成功后登录,按图示所选点击点击 Get Api Key 获取Api密钥安装所需支持库 imp ...
基于内容推荐python_用 Python 实现一个简单的基于内容的推荐引擎
原标题:用 Python 实现一个简单的基于内容的推荐引擎 (点击上方公众号,可快速关注) 英文:Chris Clark 译文:伯乐在线专栏作者 - yaoyujia 链接:http://python ...

【Python】一个简陋的基于混淆矩阵计算遥感分类精度（总体精度、Kappa系数、用户精度、生产者精度等）的代码

目录

1 简介

2 案例和代码说明

3 完整代码

【Python】一个简陋的基于混淆矩阵计算遥感分类精度（总体精度、Kappa系数、用户精度、生产者精度等）的代码相关推荐

最新文章

热门文章