小編給大家分享一下實現(xiàn)python繪制混淆矩陣的方法，希望大家閱讀完這篇文章后大所收獲，下面讓我們一起去探討吧！
介紹：
混淆矩陣通過表示正確/不正確標簽的計數(shù)來表示模型在表格格式中的準確性。
計算/繪制混淆矩陣：
以下是計算混淆矩陣的過程。
您需要一個包含預期結果值的測試數(shù)據(jù)集或驗證數(shù)據(jù)集。
對測試數(shù)據(jù)集中的每一行進行預測。
從預期的結果和預測計數(shù)：
每個類的正確預測數(shù)量。
每個類的錯誤預測數(shù)量，由預測的類組織。
然后將這些數(shù)字組織成表格或矩陣，如下所示：
Expected down the side：矩陣的每一行都對應一個預測的類。
Predicted across the top：矩陣的每一列對應于一個實際的類。
然后將正確和不正確分類的計數(shù)填入表格中。
Reading混淆矩陣：
一個類的正確預測的總數(shù)進入該類值的預期行，以及該類值的預測列。
以同樣的方式，一個類別的不正確預測總數(shù)進入該類別值的預期行，以及該類別值的預測列。
對角元素表示預測標簽等于真實標簽的點的數(shù)量，而非對角線元素是分類器錯誤標記的元素?；煜仃嚨膶蔷€值越高越好，表明許多正確的預測。
用Python繪制混淆矩陣 ：
重慶分公司
重慶分公司
import itertools
import numpy as np
import matplotlib.pyplot as plt
from sklearn import svm, datasets
from sklearn.model_selection import train_test_split
from sklearn.metrics import confusion_matrix
# import some data to play with
iris = datasets.load_iris()
X = iris.data
y = iris.target
class_names = iris.target_names
# Split the data into a training set and a test set
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)
# Run classifier, using a model that is too regularized (C too low) to see
# the impact on the results
classifier = svm.SVC(kernel='linear', C=0.01)
y_pred = classifier.fit(X_train, y_train).predict(X_test)
def plot_confusion_matrix(cm, classes,
normalize=False,
title='Confusion matrix',
cmap=plt.cm.Blues):
"""
This function prints and plots the confusion matrix.
Normalization can be applied by setting `normalize=True`.
"""
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=45)
plt.yticks(tick_marks, classes)
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")
color="white" if cm[i, j] > thresh else "black")
plt.tight_layout()
plt.ylabel('True label')
plt.xlabel('Predicted label')
# Compute confusion matrix
cnf_matrix = confusion_matrix(y_test, y_pred)
np.set_printoptions(precision=2)
# Plot non-normalized confusion matrix
plt.figure()
plot_confusion_matrix(cnf_matrix, classes=class_names,
title='Confusion matrix, without normalization')
# Plot normalized confusion matrix
plt.figure()
plot_confusion_matrix(cnf_matrix, classes=class_names, normalize=True,
title='Normalized confusion matrix')
plt.show()
Confusion matrix, without normalization [[13 0 0] [ 0 10 6] [ 0 0 9]] Normalized confusion matrix [[ 1. 0. 0. ] [ 0. 0.62 0.38] [ 0. 0. 1. ]]
看完了這篇文章，相信你對實現(xiàn)python繪制混淆矩陣的方法有了一定的了解，想了解更多相關知識，歡迎關注創(chuàng)新互聯(lián)行業(yè)資訊頻道，感謝各位的閱讀！
