绘制 混淆矩阵

---

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，就是总的样本数。

对于不同的场景，我们对模型的要求也不同

• 对于诊断疾病的模型，模型应该更倾向于找出所有为 反 的样本（患病的患者）；
• 对于垃圾邮件检测模型，该模型应该更倾向于选出所有为 正 的样本（正常邮件）。

2.代码实现：

#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)


# 标签
classes=['angry','disgust','scared','happy','sad','surprised','neutral']

# 标签的个数
classNamber=7 #表情的数量

# 在标签中的矩阵
confusion_matrix = np.array(