【巨好用】绘制 自定义混淆矩阵

已于 2022-03-23 10:33:03 修改
阅读量2.6k 收藏 27
点赞数 8
文章标签： python
于 2022-03-23 10:09:54 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/HJ33_/article/details/123678662
版权
这篇博客分享了一段非常实用的Python代码，用于绘制自定义混淆矩阵。通过调整代码中的数据和颜色设置，可以轻松定制属于自己的混淆矩阵图表。推荐给需要进行数据分析和机器学习评估的读者。
摘要由CSDN通过智能技术生成

这就我见过坠好用的混淆矩阵代码！都给我用！

#confusion_matrix
import numpy as np
import matplotlib.pyplot as plt
cm_test = np.array([[2692,20],[30,707]])
classes = ['0','1']
# 关于类别顺序可由 labels参数控制调整，
# 例如 labels=[2,1,0],则类别将以这个顺序自上向下排列。默认数字类别是从小到大排列，英文类别是按首字母顺序排列
confusion_matrix = cm_test
plt
最低0.47元/天 解锁文章
lilibiu
关注
  • 8
    点赞
  • 踩
  • 27
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
论文图片绘制 Python绘制多分类混淆矩阵及可视化(颜色随正确率渐变)
qq_43411654的博客
06-24 1万+
如何在多分类任务中绘制混淆矩阵
绘制 混淆矩阵
rush_peng的博客
11-13 7417
文章目录1.混淆矩阵的相关概念参考文献 1.混淆矩阵的相关概念 从而二分类的角度来看，在二分类的模型中，把预测情况与实际情况的所有结果进行组合，就会有真正 (true positive)、假正 (false positive)、真负 (true negative) 和假负 (false negative) 四种情形，分别由TP、FP、TN、FN 表示（T代表预测正确，F代表预测错误），这四种情形构成了混淆矩阵。 其实从上图中就可以，只有出现在对角线上的预测结果才是对的，其他的都是错的。 四种情况相加
混淆矩阵简明教程
最新发布
新缸中之脑
07-03 655
混淆矩阵是机器学习中的一种性能评估工具，表示分类模型的准确性。它显示真阳性、真阴性、假阳性和假阴性的数量。该矩阵有助于分析模型性能、识别错误分类并提高预测准确性。混淆矩阵是一个 N x N 矩阵，用于评估分类模型的性能，其中 N 是目标类别的总数。矩阵将实际目标值与机器学习模型预测的值进行比较。这让我们全面了解我们的分类模型的表现如何以及它犯了哪些类型的错误。
混淆矩阵的绘制
qq_45470799的博客
03-25 1万+
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 使用Python绘制混淆矩阵前言具体步骤1.引入库2.设置参数3.混淆矩阵定义4.计算准确率及绘制混淆矩阵绘制结果 前言 主要展示在分类算法预测的过程中，加入混淆矩阵的绘制。 具体步骤 1.引入库 代码如下（示例）： import argparse import torch from torch.backends import cudnn from torchvision import transforms from torch.u.
绘制混淆矩阵程序
12-02
画ConfusionMtraix、AccuracyF PrecisionRecall的Matlab代码,含测试数据和demo文件
绘制混淆矩阵(MatLab/Python)
cainiao的博客
05-16 8793
首先混淆矩阵是机器学习中总结分类模型预测结果的情形分析表，以矩阵形式将数据集中的记录按照真实的类别与分类模型预测的类别判断两个标准进行汇总。其实混淆矩阵就是用来判断我们的算法的分类准确度的一个可视化矩阵。
绘制混淆矩阵
guoqingru0311的博客
06-09 3662
混淆矩阵
confusion matrix为使用MATLAB绘制多分类的混淆矩阵图
08-06
confusion matrix使用MATLAB绘制多分类的混淆矩阵图，可自定义横纵坐标、字体、渐变颜色等，适用于深度学习、机器学习中多分类任务的结果分析混淆矩阵图。
绘制混淆矩阵：绘制颜色编码的混淆矩阵。-matlab开发
05-29
本文将深入探讨如何在MATLAB环境中利用自定义函数`plotConfMat`绘制颜色编码的混淆矩阵，以替代神经网络工具箱中的`plotconfusion`函数。 首先，我们要理解混淆矩阵的基本概念。混淆矩阵是一个二维表格，它展示了...
混淆矩阵代码1.rar
06-13
对于软件/插件标签，我们可以假设这个文档可能还介绍了如何将混淆矩阵集成到自定义的分析工具或自动化测试框架中，以便持续监控和改进模型的性能。这可能涉及到如何使用可视化库（如Matplotlib或Seaborn）来绘制混淆...
confusion_matrix1.zip_confusion_matrix1_matlab混淆矩阵_混淆矩阵_混淆矩阵matl
07-15
标题中的"confusion_matrix1.zip_confusion_matrix1_matlab混淆矩阵_混淆矩阵_混淆矩阵matlab 画混淆矩阵"表明这是一个使用MATLAB编写的程序，用于绘制和理解混淆矩阵。MATLAB是一种广泛使用的数值计算和数据可视化...
详解使用python绘制混淆矩阵（confusion_matrix）
01-01
Summary 涉及到分类问题，我们经常需要通过可视化混淆矩阵来分析实验结果进而得出调参思路，本文介绍如何利用python绘制混淆矩阵（confusion_matrix），本文只提供代码，给出必要注释。 Code​ # -*-coding:utf-8-*- from sklearn.metrics import confusion_matrix import matplotlib.pyplot as plt import numpy as np #labels表示你不同类别的代号，比如这里的demo中有13个类别 labels = ['A', 'B', 'C', 'F', 'G', 'H
动手画混淆矩阵(Confusion Matrix)（含代码）
热门推荐
xu.hyj
04-18 4万+
1、混淆矩阵：Confusion Matrix2、怎么画？3、怎么用？ 1、混淆矩阵：Confusion Matrix 首先它长这样： 怎么看？ Confusion Matrix最广泛的应用应该是分类，比如图中是7分类的真实标签和预测标签的效果。 首先图中表明了纵轴是truth label，横轴是predicted label，那么对于第一行第一个0.60的含义是：本来是angry标签的图，我的模型正确分类成angry的比例是60%，也即是angry这一类模型分类正确的精度只有60%。同时模型将angr.
混淆矩阵绘制
qq_19875729的博客
05-31 282
混淆矩阵绘制 #%% #绘制混淆矩阵 from sklearn.metrics import confusion_matrix y_val_pred = model.predict(x_val) yy_val_pred=np.argmax(y_val_pred,axis=1) yy_val=np.argmax(y_val,axis=1) conf_mx = confusion_matrix(yy_val, yy_val_pred) cm=conf_mx #%% cm1 = np.array([ [1
混淆矩阵画图
zanlinux的专栏
09-23 349
from sklearn.metrics import confusion_matrix import matplotlib.pyplot as plt import numpy as np y_true = ['Cat', 'Dog', 'Rabbit', 'Cat', 'Cat', 'Rabbit'] y_pred = ['Dog', 'Dog', 'Rabbit', 'Dog', 'Dog', 'Rabbit'] classes=['Cat', 'Dog', 'Rabbit'] confusio.
使用Python绘制混淆矩阵（Confusion Matrix）有代码
湘中小霸王的博客
02-07 3687
normaliz （展示方式: True-百分比;使用Python绘制混淆矩阵，支持百分比或个数两种展示方式。model_weight_path（.pth结尾文件）
混淆矩阵及其绘制
是木子啦~
09-08 409
#confusion_matrix import numpy as np import matplotlib.pyplot as plt classes = ['A','B','C','D','E'] confusion_matrix = np.array([(9,1,3,4,0),(2,13,1,3,4),(1,4,10,0,13),(3,1,1,17,0),(0,0,0,1,14)],dtype=np.float64) plt.imshow(confusion_matrix, interpolatio
混淆矩阵的生成（python实现，含机器学习方法）
一名在读大学生，正在学习深度学习，会定期分享一些该领域内容。欢迎大家一起交流学习~
08-08 6335
使用混淆矩阵可以计算多个衡量分类器性能的指标，如准确率（Accuracy）、精确率（Precision）、召回率（Recall，也称为敏感度或真正例率）和 F1 值等。准确率（Accuracy）：分类器预测正确的样本占总样本数的比例，计算公式为 (TP + TN) / (TP + TN + FP + FN)。召回率（Recall）：正例被正确预测为正例的比例，计算公式为 TP / (TP + FN)。精确率（Precision）：正例预测正确的比例，计算公式为 TP / (TP + FP)。
python绘制混淆矩阵
08-17
要使用Python绘制混淆矩阵，可以使用sklearn.metrics包中的confusion_matrix函数。首先，需要将预测结果和真实标签以类似的格式赋值给y_pred和y_true变量。然后，可以使用confusion_matrix函数生成混淆矩阵C，可以通过labels参数指定类别的标签。接下来，可以使用matplotlib.pyplot中的函数绘制矩阵图，使用plt.matshow(C, cmap=plt.cm.Reds)来展示混淆矩阵的颜色。可以使用plt.annotate函数在矩阵图中显示每个元素的值。最后，可以使用plt.xlabel和plt.ylabel函数设置x轴和y轴的标签。最后，使用plt.show函数显示绘制好的混淆矩阵图。 [1 [2] 示例代码如下： ```python from sklearn.metrics import confusion_matrix import matplotlib.pyplot as plt y_pred = [] # 预测结果 y_true = [] # 真实标签 C = confusion_matrix(y_true, y_pred, labels=['0','1','2','3','4']) plt.matshow(C, cmap=plt.cm.Reds) for i in range(len(C)): for j in range(len(C)): plt.annotate(C[j, i], xy=(i, j), horizontalalignment='center', verticalalignment='center') plt.ylabel('True label') plt.xlabel('Predicted label') plt.show() ``` 这段代码会根据给定的预测结果和真实标签生成混淆矩阵，并使用矩阵图展示混淆矩阵的颜色。每个元素表示预测为某个类别的样本数量。通过调整代码中的参数和标签，可以根据不同的需求进行自定义。 [1 [2 [3<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [详解使用python绘制混淆矩阵（confusion_matrix）](https://download.csdn.net/download/weixin_38580959/12861679)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}}] [.reference_item style="max-width: 50%"] - *2* *3* [利用python绘制混淆矩阵](https://blog.csdn.net/weixin_43818631/article/details/121309660)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值