python绘制二分类混淆矩阵_详解使用python绘制混淆矩阵（confusion_matrix）

# -*-coding:utf-8-*-

from sklearn.metricsimport 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','I','J','K','L','M','N','O']

'''

具体解释一下re_label.txt和pr_label.txt这两个文件，比如你有100个样本

去做预测，这100个样本中一共有10类，那么首先这100个样本的真实label你一定

是知道的，一共有10个类别，用[0,9]表示，则re_label.txt文件中应该有100

个数字，第n个数字代表的是第n个样本的真实label(100个样本自然就有100个

数字)。

同理，pr_label.txt里面也应该有1--个数字，第n个数字代表的是第n个样本经过

你训练好的网络预测出来的预测label。

这样，re_label.txt和pr_label.txt这两个文件分别代表了你样本的真实label和预测label，然后读到y_true和y_pred这两个变量中计算后面的混淆矩阵。当然，不一定非要使用这种txt格式的文件读入的方式，只要你最后将你的真实

label和预测label分别保存到y_true和y_pred这两个变量中即可。

'''

y_true= np.loadtxt('../Data/re_label.txt')

y_pred= np.loadtxt('../Data/pr_label.txt')

tick_marks= np.array(range(len(labels)))+ 0.5

def plot_confusion_matrix(cm, title='Confusion Matrix', cmap=plt.cm.binary):

plt.imshow(cm, interpolation='nearest', cmap=cmap)

plt.title(title)

plt.colorbar()

xlocations= np.array(range(len(labels)))

plt.xticks(xlocations, labels, rotation=90)

plt.yticks(xlocations, labels)

plt.ylabel('True label')

plt.xlabel('Predicted label')

cm= confusion_matrix(y_true, y_pred)

np.set_printoptions(precision=2)

cm_normalized= cm.astype('float')/ cm.sum(axis=1)[:, np.newaxis]

print cm_normalized

plt.figure(figsize=(12,8), dpi=120)

ind_array= np.arange(len(labels))

x, y= np.meshgrid(ind_array, ind_array)

for x_val, y_valin zip(x.flatten(), y.flatten()):

c= cm_normalized[y_val][x_val]

if c >0.01:

plt.text(x_val, y_val,"%0.2f" % (c,), color='red', fontsize=7, va='center', ha='center')

# offset the tick

plt.gca().set_xticks(tick_marks, minor=True)

plt.gca().set_yticks(tick_marks, minor=True)

plt.gca().xaxis.set_ticks_position('none')

plt.gca().yaxis.set_ticks_position('none')

plt.grid(True, which='minor', linestyle='-')

plt.gcf().subplots_adjust(bottom=0.15)

plot_confusion_matrix(cm_normalized, title='Normalized confusion matrix')

# show confusion matrix

plt.savefig('../Data/confusion_matrix.png',format='png')

plt.show()