实现python绘制混淆矩阵的方法

小编给大家分享一下实现python绘制混淆矩阵的方法，希望大家阅读完这篇文章后大所收获，下面让我们一起去探讨吧！

介绍：

混淆矩阵通过表示正确/不正确标签的计数来表示模型在表格格式中的准确性。

计算/绘制混淆矩阵：

以下是计算混淆矩阵的过程。

您需要一个包含预期结果值的测试数据集或验证数据集。

• 对测试数据集中的每一行进行预测。

• 从预期的结果和预测计数：

• 每个类的正确预测数量。

• 每个类的错误预测数量，由预测的类组织。

然后将这些数字组织成表格或矩阵，如下所示：

• Expected down the side：矩阵的每一行都对应一个预测的类。

• Predicted across the top：矩阵的每一列对应于一个实际的类。

然后将正确和不正确分类的计数填入表格中。

Reading混淆矩阵：

一个类的正确预测的总数进入该类值的预期行，以及该类值的预测列。

以同样的方式，一个类别的不正确预测总数进入该类别值的预期行，以及该类别值的预测列。

对角元素表示预测标签等于真实标签的点的数量，而非对角线元素是分类器错误标记的元素。混淆矩阵的对角线值越高越好，表明许多正确的预测。

用Python绘制混淆矩阵 ：

import itertools   import numpy as np   import matplotlib.pyplot as plt   from sklearn import svm, datasets   from sklearn.model_selection import train_test_split   from sklearn.metrics import confusion_matrix   # import some data to play with   iris = datasets.load_iris()   X = iris.data   y = iris.target   class_names = iris.target_names   # Split the data into a training set and a test set   X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)   # Run classifier, using a model that is too regularized (C too low) to see   # the impact on the results   classifier = svm.SVC(kernel='linear', C=0.01)   y_pred = classifier.fit(X_train, y_train).predict(X_test)   def plot_confusion_matrix(cm, classes,   normalize=False,   title='Confusion matrix',   cmap=plt.cm.Blues):   """   This function prints and plots the confusion matrix.   Normalization can be applied by setting `normalize=True`.   """   if normalize:   cm = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis]   print("Normalized confusion matrix")   else:   print('Confusion matrix, without normalization')   print(cm)   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)   fmt = '.2f' if normalize else 'd'   thresh = cm.max() / 2.   for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])):   plt.text(j, i, format(cm[i, j], fmt),   horizontalalignment="center",   color="white" if cm[i, j] > thresh else "black")   color="white" if cm[i, j] > thresh else "black")   plt.tight_layout()   plt.ylabel('True label')   plt.xlabel('Predicted label')   # Compute confusion matrix   cnf_matrix = confusion_matrix(y_test, y_pred)   np.set_printoptions(precision=2)   # Plot non-normalized confusion matrix   plt.figure()   plot_confusion_matrix(cnf_matrix, classes=class_names,   title='Confusion matrix, without normalization')   # Plot normalized confusion matrix   plt.figure()   plot_confusion_matrix(cnf_matrix, classes=class_names, normalize=True,   title='Normalized confusion matrix')   plt.show()

Confusion matrix, without normalization   [[13 0 0]   [ 0 10 6]   [ 0 0 9]]   Normalized confusion matrix   [[ 1. 0. 0. ]   [ 0. 0.62 0.38]   [ 0. 0. 1. ]]

看完了这篇文章，相信你对实现python绘制混淆矩阵的方法有了一定的了解，想了解更多相关知识，欢迎关注亿速云行业资讯频道，感谢各位的阅读！