Python混淆矩阵绘制指南：可视化分类模型性能

在Python中，可以使用混淆矩阵来评估分类模型的性能。混淆矩阵是一个二维数组，其中行表示实际类别，列表示预测类别。

下面是一些Python代码示例，用于绘制混淆矩阵：

1. 使用scikit-learn库中的confusion_matrix函数绘制混淆矩阵。

from sklearn.metrics import confusion_matrix
import matplotlib.pyplot as plt
import seaborn as sns

# 实际类别和预测类别
y_true = [0, 1, 0, 1, 0, 1]
y_pred = [0, 0, 1, 1, 0, 1]

# 计算混淆矩阵
cf_matrix = confusion_matrix(y_true, y_pred)

# 可视化混淆矩阵
sns.heatmap(cf_matrix, annot=True, cmap='Blues')
plt.xlabel('Predicted')
plt.ylabel('Actual')
plt.show()

2. 使用matplotlib库绘制自定义混淆矩阵。

import matplotlib.pyplot as plt
import numpy as np

# 混淆矩阵数据
cf_matrix = np.array([[30, 10], [5, 55]])

# 可视化混淆矩阵
fig, ax = plt.subplots(figsize=(5, 5))
ax.imshow(cf_matrix, cmap='Blues')

# 添加标签和颜色
ax.set_xticks(np.arange(2))
ax.set_yticks(np.arange(2))
ax.set_xticklabels(['Positive', 'Negative'])
ax.set_yticklabels(['Positive', 'Negative'])
for i in range(2):
    for j in range(2):
        ax.text(j, i, cf_matrix[i, j], ha='center', va='center', color='white')

# 添加轴标签
ax.set_xlabel('Predicted')
ax.set_ylabel('Actual')
plt.show()

这些示例都可以生成类似下面的混淆矩阵图表：

通过分析混淆矩阵，你可以直观地了解模型的分类效果，例如：

• 正确分类的样本数量
• 错误分类的样本数量
• 不同类别的分类精度

这将有助于你进一步优化模型，提高其预测能力。