按照出血点、硬渗出、软渗出3种病灶，每个病灶按照190个样本：对应的分类准确率Top1 Cls分别为：96。6%，93。5%，92%，平均准确率是94%，请画出混淆矩阵，并计算数值

在这个案例中，你提到的是针对三种类型的皮肤病变（出血点、硬渗出和软渗出）进行了分类，共190个样本。分类的准确率显示了模型对于每种类型预测的性能：

- 出血点的分类准确率为96.6%，
- 硬渗出的分类准确率为93.5%，
- 软渗出的分类准确率为92%。

平均准确率为所有类别准确率的算术平均值，即 (96.6% + 93.5% + 92%) / 3 = 94%。

为了绘制混淆矩阵，我们需要知道模型对每个类别的实际预测结果与真实标签之间的对应情况。混淆矩阵通常是一个二维表格，行代表实际类别（True Label），列表示预测类别（Predicted Label）。矩阵的各个元素表示相应组合的实际计数。例如，左上角的元素会是真正例（True Positive，TP），即模型正确识别出血点的情况。

由于信息不足，我们无法直接提供混淆矩阵的具体数字，但一般格式如下：

|         | 血液点   | 硬渗出   | 软渗出   |
|---------|----------|----------|----------|
| 血液点   | TP       | FP       | FN       |
| 硬渗出   | FN       | TP       | FP       |
| 软渗出   | FP       | FN       | TP       |

其中：
- TP = True Positives: 正确预测出血点/硬渗出/软渗出的数量
- FP = False Positives: 错误地将非该类别的诊断为该类别
- FN = False Negatives: 错误地未将该类别的诊断出来

你需要根据实际的分类结果填充这个矩阵。计算混淆矩阵时，可以进一步得到精确度（Precision）、召回率（Recall）以及F1分数等其他评价指标。

如果你有详细的分类数据（实际标签和预测标签对），我可以帮你计算混淆矩阵的数值。如果没有，你可能需要根据模型的输出来手动创建。