大家從python基礎到如今的入門，想必都對python有一定基礎，今天小編給大家帶來一個關于python的高階內容——繪制混淆矩陣，一起來看下吧~

介紹：

混淆矩陣通過表示正確/不正確標簽的計數來表示模型在表格格式中的準確性。

計算/繪制混淆矩陣：

以下是計算混淆矩陣的過程。

您需要一個包含預期結果值的測試數據集或驗證數據集。對測試數據集中的每一行進行預測。

從預期的結果和預測計數：

每個類的正確預測數量。

每個類的錯誤預測數量，由預測的類組織。

然后將這些數字組織成表格或矩陣，如下所示：Expected down the side：矩陣的每一行都對應一個預測的類。

Predicted across the top：矩陣的每一列對應于一個實際的類。

然后將正確和不正確分類的計數填入表格中。

Reading混淆矩陣：

一個類的正確預測的總數進入該類值的預期行，以及該類值的預測列。

以同樣的方式，一個類別的不正確預測總數進入該類別值的預期行，以及該類別值的預測列。

對角元素表示預測標簽等于真實標簽的點的數量，而非對角線元素是分類器錯誤標記的元素。混淆矩陣的對角線值越高越好，表明許多正確的預測。

用Python繪制混淆矩陣 ：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.?]]

好了，大家可以消化學習下哦~如需了解更多python實用知識，點擊進入PyThon學習網教學中心。

總結

以上是生活随笔為你收集整理的python绘制混淆矩阵_如何实现python绘制混淆矩阵？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。