自定义可视化函数---混合矩阵

1.定义:

如下这样的矩阵就是混合矩阵

2.作用:

通过这样的可视化图形来看预测值和真实值的关系，可以直接看出召回率(查全率),和交叉表的作用类似

3.代码

#绘制真实值和预测值对比情况
def plot_confusion_matrix(cm, classes,
                          title='Confusion matrix',
                          cmap=plt.cm.Blues):
    """
    This function prints and plots the confusion matrix.
    """
    plt.imshow(cm, interpolation='nearest', cmap=cmap)
    plt.title(title)
    plt.colorbar()
    tick_marks = np.arange(len(classes))
    plt.xticks(tick_marks, classes, rotation=0)
    plt.yticks(tick_marks, classes)

threshold = 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] > threshold else "black")#若对应格子上面的数量不超过阈值则，上面的字体为白色，为了方便查看

plt.tight_layout()
plt.ylabel('True label')
plt.xlabel('Predicted label')

以上代码可直接使用

4.参数说明

cm:

	   from sklearn.metrics import confusion_matrix
	   cm = confusion_matrix(y_test,y_)      # y_test 为训练样本已知的目标值, y_ 为训练样本预测值,返回一个ndarray数据
	   cm

classes: 分类，如[0, 1], 就是将样本预测，预测是0类还是1类

5.调用举例

plot_confusion_matrix(cm,[0,1],title='Recall:%0.3f'%(cm[1,1]/(cm[1,0] + cm[1,1])))

其中cm为

Recall------“正确被检索的正样本item(TP)"占所有"应该检索到的item(TP+FN)"的比例