使用训练数据进行Python图像分类精度评估

Question

我在图像上运行了一个分类，并将其相应的像素数据作为数据集输出。我还有一个相同类型的数据集，其中样本数量不一致，称为训练数据。我希望使用用户自己创建的训练数据集再次对分类的像素数据进行精确度评估。我曾尝试使用python脾confusion_matrix和accuracy_score但我的问题是两个数据集（生产者，用户）是不同的大小。是否有我可以执行的准确性评估来检查我的结果？

这是两个数据集，包括它们的大小

码：

user = pd.read_csv("/Users/chrisradford/Documents/School/Masters/RA/Classifier/Python/Training.csv")
producer = pd.read_csv("/Users/chrisradford/Documents/School/Masters/RA/Classifier/Python/ProducerData.csv")
print("User created training data")
print(user.shape)
print(user.head())
print("producer created data")
print(producer.shape)
print(producer.head())
val = accuracy_score(user, producer)
cnf_matrix = confusion_matrix(producer, user)
print(val)
print(cnf_matrix)

Answer 1

据我所知，我发现评估图像分类准确性的最佳方法是通过K折交叉验证。可以选择K的任何值进行交叉验证，但是，我希望值为10，以确保对测试数据的评估没有偏差且完全随机。因此，当您计算每个Kth折叠的交叉验证时，您最终得到4个误报，假阴性，真阳性和真阴性的值。之后，可以通过取每个这些值的平均值来构建混淆矩阵。