多分类混淆矩阵python代码

多分类混淆矩阵是用来评估多分类问题中模型的性能的一种方法，它可以展示模型在每个类别上的预测情况。在Python中，可以使用sklearn库来实现多分类混淆矩阵的计算。

首先，我们需要导入必要的库和数据，然后使用模型进行预测，接着使用混淆矩阵来评估模型的性能。下面是一个示例代码：

# 导入必要的库
from sklearn.metrics import confusion_matrix
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
import matplotlib.pyplot as plt
import seaborn as sns

# 加载数据集
data = load_iris()
X = data.data
y = data.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 训练模型
model = LogisticRegression()
model.fit(X_train, y_train)

# 模型预测
y_pred = model.predict(X_test)

# 计算混淆矩阵
conf_matrix = confusion_matrix(y_test, y_pred)

# 使用seaborn库绘制混淆矩阵热力图
plt.figure(figsize=(8, 6))
sns.heatmap(conf_matrix, annot=True, cmap='Blues', fmt='g')
plt.xlabel('Predicted')
plt.ylabel('Actual')
plt.title('Confusion Matrix')
plt.show()

在这个示例代码中，我们首先导入所需的库和数据集，然后使用逻辑回归模型进行训练和预测。接着使用`confusion_matrix`函数计算混淆矩阵，最后使用`seaborn`库中的热力图函数来可视化混淆矩阵。通过这个混淆矩阵，我们可以清晰地看到模型在每个类别上的预测情况，从而评估模型的性能。