对于二分类任务：

• 真阳性（True Positives, TP）为真实值为1，预测值为1，即正确预测出的正样本个数
• 真阴性（True Negatives, TN）为真实值为0，预测值为0，即正确预测出的负样本个数
• 假阳性（False Posiives, FP）为真实值为0，预测值为1，即错误预测出的正样本个数（即数理统计的第一类错误）
• 假阴性（False Negatives, FN）为真实值为1，预测值为0，即错误预测出的负样本个数（即数理统计的第二类错误

1.混淆矩阵的输出

#首先要安装scikit-learn, scikit-image这两个包

#导入相应的库函数
from sklearn.metrics import roc_auc_score
from sklearn.metrics import roc_curve
from sklearn.metrics import precision_recall_curve  #计算pr曲线
from sklearn.metrics import confusion_matrix  #计算混淆矩阵


#混淆矩阵的计算
a = confusion_matrix(y_true,y_pred)
#输出的a为混淆矩阵，数组格式
范例：
    >>> y_true = [2, 0, 2, 2, 0, 1]
    >>> y_pred = [0, 0, 2, 2, 0, 2]
    >>> confusion_matrix(y_true, y_pred)
    array([[2, 0, 0],
           [0, 0, 1],
           [1, 0, 2]])

    >>> y_true = ["cat", "ant", "cat", "cat", "ant", "bird"]
    >>> y_pred = ["ant", "ant", "cat", "cat", "ant", "cat"]
    >>> confusion_matrix(y_true, y_pred, labels=["ant", "bird", "cat"])
    array([[2, 0, 0],
           [0, 0, 1],
           [1, 0, 2]])
#其中行是真实标签，列为预测值
对于二分类：
    >>> tn, fp, fn, tp = confusion_matrix([0, 1, 0, 1], [1, 1, 1, 0]).ravel()


#注意y_true,y_pred中都为整数，其格式为一维列表(list)，或一维数组(array)
import numpy as np
y_pred = np.asarray(y_pred)     #可以使用此代码将其变为数组

#以异常检测为例
#如果y_pred输出的是分数，比如异常分数，必须将其转换为整数
#先找出最优阈值，大于阈值的为异常，设为1，小于阈值的为正常，设为0

#寻找最优阈值
precision, recall, thresholds = precision_recall_curve(y_true, scores)
a = 2 * precision * recall
b = precision + recall
f1 = np.divide(a, b, out=np.zeros_like(a), where=b != 0)
threshold = thresholds[np.argmax(f1)]
#其中scores是网络输出的异常分数，precision_recall_curve的输出precision, recall, thresholds 为一维数组，分别为不同阈值下的准确率与召回率，然后计算F1分数，根据F1分数的最大值选最优阈值

#得到最优阈值后，根据最优阈值将scores变为y_pred(均为整数)
#方法1：
scoress = np.where(scores > threshold, 1, scores)    #先将大于阈值的设为1，小于阈值的不变
y_pred = np.where(scoress <= threshold, 0, scoress) 
#在上一步变化的基础上，将小于阈值的设为0

#方法2：
mask[mask > threshold] = 1
mask[mask <= threshold] = 0   #大于阈值的设为1，小于阈值的设为0

---

混淆矩阵，结果可视化参考论文代码如下

论文1：PaDiM: a Patch Distribution Modeling Framework for Anomaly Detection and Localization

https://arxiv.org/pdf/2011.08785v1.pdf 

代码：https://github.com/xiahaifeng1995/PaDiM-Anomaly-Detection-Localization-master

论文2：SimpleNet: A Simple Network for Image Anomaly Detection and Localization

https://arxiv.org/pdf/2303.15140v2.pdf 

代码： https://github.com/donaldrr/simplenet