模型测试时绘制混淆矩阵

在模型测试时，绘制混淆矩阵是评估分类模型性能的一种常见方法。以下是一个示例代码，用于在模型测试时绘制混淆矩阵：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import confusion_matrix

# 假设你有模型的预测结果和真实标签
y_true = np.array([0, 1, 0, 1, 1, 0, 0, 1, 1, 1])
y_pred = np.array([0, 0, 0, 1, 1, 1, 0, 1, 1, 0])

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

# 绘制混淆矩阵
plt.imshow(cm, cmap=plt.cm.Blues)
plt.title('Confusion Matrix')
plt.colorbar()
plt.xlabel('Predicted Label')
plt.ylabel('True Label')
plt.xticks([0, 1], ['Class 0', 'Class 1'])
plt.yticks([0, 1], ['Class 0', 'Class 1'])
plt.show()

在这个例子中，`y_true`表示真实标签，`y_pred`表示模型的预测结果。通过调用`confusion_matrix`函数，可以计算出混淆矩阵`cm`。然后，使用Matplotlib库将混淆矩阵可视化为图像。

请注意，以上代码仅为示例，你需要根据你的实际情况进行相应的修改和扩展。