python机器学习 二分类 混淆矩阵_机器学习之混淆矩阵的两种画法（实战）

混淆矩阵主要用于表示分类精度,利用横轴为预测结果，纵轴为标准结果的表格图，可视化地展示算法的分类性能。

import seaborn as sns

sns.set()

C2 = confusion_matrix(y_test, y_predict, labels=[0,1,2])

# # 方法一

# f, ax = plt.subplots()

# print(C2) # 打印出来看看

# sns.heatmap(C2, annot=True, ax=ax) # 画热力图

#

# ax.set_title('混淆矩阵') # 标题

# ax.set_xlabel('predict') # x轴

# ax.set_ylabel('true') # y轴

# plt.show()

方法二：

plt.figure()

classes = [0,1,2]

plt.imshow(C2, interpolation='nearest', cmap=plt.cm.Oranges) # 按照像素显示出矩阵

plt.title('confusion_matrix')

plt.colorbar()

tick_marks = np.arange(len(classes))

plt.xticks(tick_marks, classes)

plt.yticks(tick_marks, classes)

thresh = C2.max() / 2.

# iters = [[i,j] for i in range(len(classes)) for j in range((classes))]

# ij配对，遍历矩阵迭代器

iters = np.reshape([[[i, j] for j in range(len(classes))] for i in range(len(classes))], (C2.size, 2))

for i, j in iters:

plt.text(j, i, format(C2[i, j])) # 显示对应的数字

plt.ylabel('Real label')

plt.xlabel('Prediction')

plt.tight_layout()

plt.show()

可以看出，因为数据量的严重不均衡，但是，模型的识别能力还是蛮不错的；