'bloem_model.h5', testen in een confusion matrix

testen van het bloem model 'bloem_model.h5' in een confusion matrix. terug naar de inleiding

De schets is een python 3.7.6 schets. De pakketten zijn in anaconda binnen een virtuele omgeving geinstalleerd.
De schets maakt gebruik van keras versie 2.3.1, numpy versie 1.18.1, tensorflow versie 2.1.0

voor het pakket sklearn, scikit-learn versie 0.22.1 en matplotlib versie 3.1.3

Stap 1, De benodigde pakketten importeren

 
 
import numpy as np 
import keras 
from keras.models import load_model 
from keras.preprocessing.image import ImageDataGenerator 
from keras.preprocessing import image 
from keras.applications import imagenet_utils 
from sklearn.metrics import confusion_matrix 
import itertools 
import matplotlib.pyplot as plt 
%matplotlib inline

Stap 2, variabele met pad naar testmap

Stap 3, ImageDataGenererator maakt batches van de afbeeldingen om het model te trainen en te valideren, zie stap 6
zie https://keras.io/preprocessing/image/

 

test_path = 'bloemen/test'

test_batches = ImageDataGenerator(preprocessing_function=keras.applications.mobilenet.preprocess_input).flow_from_directory(test_path, target_size=(224,224),batch_size=10,shuffle=False)

Stap 4, test_batches bevat een numpy ndarray met de testlabels

test_batches.class_indices # is een python dict deze printen geeft: {'pasiebloem': 0, 'waterlelie': 1}

 
 

test_labels = test_batches.classes # is eem numpy.ndarray
test_batches.class_indices # is een python dict

Stap 5, Het model laden

 


model = load_model('bloem_model.h5')
model.summary()

Stap 6, De test batch door het model sturen

 
 
predictions = model.predict_generator(test_batches, steps=1, verbose=0)

Stap 7, De functie plot_confusion_matrix

 

def plot_confusion_matrix(cm, classes, normalize=False, title='Confusion matrix',cmap=plt.cm.Blues): 
        
    plt.imshow(cm, interpolation='nearest', cmap=cmap)     
    plt.title(title) 
    plt.colorbar() 
    tick_marks = np.arange(len(classes)) 
    plt.xticks(tick_marks, classes, rotation=45) 
    plt.yticks(tick_marks, classes) 
     
    if normalize: 
        cm = cm.astype('float')/ cm.sum(axis=1)[:, np.newaxis] 
        print("Genormaliseerde confusion matrix") 
    else: 
        print("confusion matrix zonder normalisatie") 
         
    print(cm) 
     
    thresh = cm.max() / 2. 
    for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])): 
        plt.text(j, i, cm[i,j], 
                horizontalalignment="center", 
                color="white" if cm[i, j] > thresh else "black") 
                           
    plt.tight_layout() 
    plt.ylabel('de werkelijke labels') 
    plt.xlabel('de voorspelde labels')

Stap 8, De variabele cm aanmaken, cm is een argument in de plot_confusion_matrix functie

testlabels en predictions worden zo met elkaar vergeleken

 
 
cm = confusion_matrix(test_labels, predictions.argmax(axis=1))

Stap 9, De confusion matrix plotten

 
 
cm_plot_labels = ['passiebloem', 'waterlelie'] 
plot_confusion_matrix(cm, cm_plot_labels, title=('Confusion Matrix'))

Flevopink