如何处理二元分类混淆矩阵中的遗漏预测

如何解决如何处理二元分类混淆矩阵中的遗漏预测

我正在尝试为二元分类任务生成混淆矩阵。在测试阶段（例如在对象检测任务中），推理结果保存为 .pth 文件。根据我的一点了解，遗漏了一些检测。因此，与地面实况形状（目标/预期）相比，保存的模型将具有不同的形状（预测值）。即'''y_trues > y_preds'''。使用如下链接中的混淆矩阵，您如何处理此问题以避免分类报告中的差异，同时保持 y_trues 和 y_preds 的相同形状？

听起来很有趣，但我已经尝试过 NaN 、 None 、" " 和 "-" 已经代替缺失值，同时将其作为可能的 labels 参数的一部分包含在内，但没有这些工作。例如假设我们有两个不可预测的值，我将这两个不可预测的值替换为 Nan

actual = [1,1,1]
predicted = [1,NaN,NaN]

matrix = confusion_matrix(actual,predicted,labels=[1,NaN]

顺便说一句。使用以下代码从保存的 .pth 文件中提取结果。

import torch
import numpy as np
predictions = torch.load("predictions.pth")
y_preds = [ ]
for Box in predictions:
   scores = Box.get_field("scores")
   labels = Box.get_field("labels")
   mask = Box.get_field("mask")
   mask_scores = Box.get_field("mask_scores")
   y_preds = np.concatenate((y_preds,labels.numpy()),axis=None)
y_preds = np.array(y_preds,dtype=np.int32)
print(y_preds.shape)
print(y_preds)