绘制混淆矩阵代码
import itertools
import matplotlib.pyplot as plt
import numpy as np
def plot_confusion_matrix(cm, classes,
normalize=False,
title='混淆矩阵',
cmap=plt.cm.Blues):
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=310, size=12)
plt.yticks(tick_marks, classes, size=12)
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")
plt.tight_layout()
plt.ylabel('真实标签', size=12)
plt.xlabel('预测标签', size=12)
# 示例用法
# 这里假设你有一个混淆矩阵和对应的类别标签
# cm = ...
# classes = [...]
# plot_confusion_matrix(cm, classes, normalize=True, title='Normalized Confusion Matrix')
# plt.show()
实现混淆矩阵绘制代码复用
这个函数可以复用于其他模型的混淆矩阵结果。只需将你想要可视化的混淆矩阵和相应的类别标签传递给这个函数即可。通常,混淆矩阵是通过模型的评估函数(例如 scikit-learn 库中的 confusion_matrix
函数)得到的。
下面是一个使用 scikit-learn 的 confusion_matrix
函数来生成混淆矩阵并调用你的绘图函数的示例:
from sklearn.metrics import confusion_matrix
# 假设你有模型的真实标签和预测标签
y_true = [...] # 真实标签
y_pred = [...] # 预测标签
# 计算混淆矩阵
cm = confusion_matrix(y_true, y_pred)
# 类别标签
classes = [...]
# 绘制混淆矩阵图表
plot_confusion_matrix(cm, classes, normalize=True, title='Normalized Confusion Matrix')
plt.show()
这个示例中,y_true
是真实的标签,y_pred
是模型的预测标签。通过调用 confusion_matrix
函数,得到混淆矩阵,然后将其传递给你的 plot_confusion_matrix
函数进行可视化。因此,这个函数具有通用性,适用于不同的分类模型的结果可视化。