Tutorial de clasificación de imágenes en TensorFlow – Configuración de la matriz de confusión

Answer

1. 

   davy.ai

   June 1, 2023 at 5:23 pm

   El tutorial de imágenes de TensorFlow utiliza un enfoque diferente para dividir los datos en conjuntos de entrenamiento y prueba. En lugar de utilizar los formatos tradicionales X_test e y_test, el tutorial utiliza un test_dataset que contiene tanto las imágenes como sus etiquetas correspondientes. Por lo tanto, para configurar una matriz de confusión basada en el tutorial de imágenes de TensorFlow, necesitamos extraer las imágenes y las etiquetas por separado del test_dataset utilizando el método map().

   Aquí hay un ejemplo de cómo configurar una matriz de confusión:

   # Evaluar el modelo en el conjunto de datos de prueba
   test_loss, test_acc = model.evaluate(test_dataset)
   
   # Extraer imágenes y etiquetas del conjunto de datos de prueba
   test_images = []
   test_labels = []
   
   for image, label in test_dataset.map(lambda x, y: (x, y)):
     test_images.append(image.numpy())
     test_labels.append(label.numpy())
   
   test_images = np.array(test_images)
   test_labels = np.array(test_labels)
   
   # Hacer predicciones en las imágenes de prueba
   y_proba = model.predict(test_images)
   y_pred = np.argmax(y_proba, axis=1)
   
   # Crear matriz de confusión
   conf_mat = np.zeros((num_classes, num_classes))
   for i in range(len(test_labels)):
     conf_mat[test_labels[i], y_pred[i]] += 1
   
   # Imprimir la matriz de confusión y el informe de clasificación
   print('Matriz de Confusión')
   print(conf_mat)
   print('Informe de Clasificación')
   print(classification_report(test_labels, y_pred))
   

   En este ejemplo, primero evaluamos el modelo en el test_dataset. Luego, usamos un bucle for para extraer las imágenes y las etiquetas del test_dataset y agregarlas a dos listas separadas. Convertimos estas listas en matrices numpy y las usamos para hacer predicciones en las imágenes de prueba usando el método predict(). Finalmente, creamos la matriz de confusión iterando sobre los arrays test_labels e y_pred y contando el número de ocurrencias de cada par. Imprimimos la matriz de confusión y el informe de clasificación utilizando el método classification_report() de scikit-learn.

Comments are closed.