混淆矩阵生成结果异常求助：InceptionV3模型使用错误排查

核心问题 #

你当前代码的致命错误是直接将加载的model对象赋值给model_Predicted列，Pandas会把整个模型识别为单一值，导致混淆矩阵呈现全匹配的错误结果。生成混淆矩阵需要模型对测试数据集的预测结果，而非模型本身。

正确步骤与代码示例 #

要生成正确的混淆矩阵，需要完成以下步骤：

1. 加载并预处理测试数据集
   模型需要输入与训练时格式一致的图像数据（InceptionV3默认输入尺寸为299x299），建议用ImageDataGenerator加载测试集：

   from tensorflow.keras.preprocessing.image import ImageDataGenerator
   
   # 测试集预处理（需与训练时完全一致）
   test_datagen = ImageDataGenerator(rescale=1./255)
   test_generator = test_datagen.flow_from_directory(
       'path/to/your/test_dataset',  # 测试集根路径，子文件夹对应各类别
       target_size=(299, 299),       # 匹配InceptionV3输入尺寸
       batch_size=32,
       class_mode='categorical',     # 多分类任务用categorical，二分类用binary
       shuffle=False                 # 关闭打乱，保证标签与预测结果顺序对应
   )
   

2. 用模型生成预测结果
   通过model.predict()得到测试集的预测概率，再转换为对应类别标签：

   import numpy as np
   
   # 获取测试集预测概率
   predictions = model.predict(test_generator)
   # 将概率转换为类别索引
   predicted_classes = np.argmax(predictions, axis=1)
   # 获取测试集真实类别索引
   true_classes = test_generator.classes
   # 获取类别名称与索引的映射
   class_labels = list(test_generator.class_indices.keys())
   

3. 生成混淆矩阵并可视化
   关联真实标签与预测标签，生成并绘制混淆矩阵：

   import pandas as pd
   import seaborn as sn
   import matplotlib.pyplot as plt
   
   # 构建真实标签与预测标签的DataFrame
   df = pd.DataFrame({
       'y_Actual': [class_labels[i] for i in true_classes],
       'model_Predicted': [class_labels[i] for i in predicted_classes]
   })
   
   # 生成混淆矩阵
   confusion_matrix = pd.crosstab(df['y_Actual'], df['model_Predicted'],
                                  rownames=['Actual'], colnames=['Predicted'], margins=False)
   
   # 可视化混淆矩阵
   plt.figure(figsize=(12, 8))
   sn.heatmap(confusion_matrix, annot=True, fmt='d', cmap='Blues')
   plt.show()
   

关键注意事项 #

• 测试集文件夹结构需符合要求：根文件夹下每个子文件夹对应一个类别，文件夹名称为类别名。
• 预处理方式（如归一化比例、图像尺寸）必须与模型训练时完全一致，否则预测结果会失真。
• 必须设置shuffle=False，确保真实标签和预测结果的顺序一一对应。

内容的提问来源于stack exchange，提问作者อิม อัฐวงศ์