lstm情感分类结果可视化

可以使用混淆矩阵、准确率-召回率曲线和ROC曲线等方式进行可视化。

1. 混淆矩阵：将真实标签和预测标签组成一个矩阵，可以清楚地看出模型预测的正确率和错误率。

2. 准确率-召回率曲线：通过改变分类阈值，计算在不同的阈值下模型的准确率和召回率，并将结果绘制成曲线。

3. ROC曲线：通过改变分类阈值，计算在不同的阈值下模型的真正率和假正率，并将结果绘制成曲线。

以下是使用Python中的Scikit-learn库进行混淆矩阵和ROC曲线可视化的示例代码：

from sklearn.metrics import confusion_matrix, roc_curve, auc
import matplotlib.pyplot as plt

# 计算混淆矩阵并可视化
def plot_confusion_matrix(true_labels, predicted_labels, classes):
    cm = confusion_matrix(true_labels, predicted_labels)
    plt.imshow(cm, interpolation='nearest', cmap=plt.cm.Blues)
    plt.title('Confusion Matrix')
    plt.colorbar()
    tick_marks = np.arange(len(classes))
    plt.xticks(tick_marks, classes, rotation=45)
    plt.yticks(tick_marks, classes)
    plt.xlabel('Predicted Label')
    plt.ylabel('True Label')
    plt.show()

# 计算ROC曲线并可视化
def plot_roc_curve(true_labels, predicted_scores):
    fpr, tpr, thresholds = roc_curve(true_labels, predicted_scores)
    roc_auc = auc(fpr, tpr)
    plt.figure()
    plt.plot(fpr, tpr, color='darkorange', lw=2, label='ROC Curve (Area = %0.2f)' % roc_auc)
    plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--')
    plt.xlim([0.0, 1.0])
    plt.ylim([0.0, 1.05])
    plt.xlabel('False Positive Rate')
    plt.ylabel('True Positive Rate')
    plt.title('ROC Curve')
    plt.legend(loc="lower right")
    plt.show()

使用示例：

# 假设有100个样本，其中70个样本为正样本，30个样本为负样本
true_labels = [1] * 70 + [0] * 30
# 假设模型预测所有样本都是正样本
predicted_labels = [1] * 100
# 假设模型输出所有样本为正样本的概率都为0.8
predicted_scores = [0.8] * 100
# 可视化混淆矩阵和ROC曲线
plot_confusion_matrix(true_labels, predicted_labels, ['Negative', 'Positive'])
plot_roc_curve(true_labels, predicted_scores)

以上代码将生成一个混淆矩阵和ROC曲线的可视化结果。