我有三个数据集文件夹，
1- 人脸图像 2- 非人脸图像 3- 测试数据集我使用SVM训练了我的数据集，其中人脸图像标记为1，非人脸图像标记为-1。我的文件已训练并保存为.xml格式。我对测试数据集中的一些图像进行了预测检查，测试数据集是正负数据集的混合。现在我正在尝试创建一个混淆矩阵。我从这里了解了相关信息。
在我的测试数据集中，图像大约有50张，（35张正例和15张负例），命名分别为1_F.jpg, 2_F.jpg, 3_NF … 50NF.jpg。这里的F代表人脸，NF代表非人脸。这些实际上是图像的名称。
我可以称之为标记数据集吗？
当我将混淆矩阵应用于文件夹中的所有图像时，如何创建混淆矩阵？我如何知道它是否正确预测了图像？
从这里的例子来看，他们已经有预测矩阵，但我认为我没有这个。我还查看了这个和这个以更好地理解。
回答：
要创建混淆矩阵，请查看Python中的scikit-learn库。假设y_actual是你的测试标签集，你的测试集中图像对应的特征存储在一个名为X_test的变量中，你的训练分类器为clf，构建混淆矩阵的一种可能方法如下：
from sklearn.metrics import confusion_matrix y_pred = clf.predict(X_test)## 获得下面的混淆矩阵CM = confusion_matrix(y_pred, y_actual)我可以称之为标记数据集吗？
如果没有测试集的原始标签，你将无法确认你的预测。从混淆矩阵中，你可以得出关于模型性能的不同指标。
鉴于你在测试集中根据是否有人脸命名了图像，你可以使用这个来获得y_actual
import globimport osimport numpy as npdef obtain_y_pred(test_folder): label = {'F':1, 'NF':-1} test_images = glob.glob(os.path.join(test_folder, '*.jpg')) y_test_ = [] for image in test_images: y_test_.append(label[image.split('/')[-1].split('.')[0].split('_')[-1]]) return np.array(y_test_)总结来说，你首先需要知道测试集的标签。然后，你需要在训练集上训练模型后，评估模型在测试集上的表现。
