python混淆矩阵画图颜色
时间: 2023-08-28 10:22:33 浏览: 132
在Python中,你可以使用`matplotlib`库来画混淆矩阵,并使用不同的颜色来表示不同的类别。下面是一个简单的例子:
```python
import numpy as np
import matplotlib.pyplot as plt
# 创建一个混淆矩阵
confusion_matrix = np.array([[10, 2, 3],
[4, 15, 6],
[7, 8, 20]])
# 设置类别标签
labels = ['Class 1', 'Class 2', 'Class 3']
# 设置颜色映射
colors = ['blue', 'green', 'red']
# 绘制混淆矩阵图
plt.figure(figsize=(8, 6))
plt.imshow(confusion_matrix, cmap='Blues') # 使用蓝色作为背景色
# 添加颜色条
cbar = plt.colorbar()
cbar.set_label('Count')
# 添加类别标签
相关问题
python混淆矩阵颜色调节
根据提供的引用内容,我无法找到关于Python混淆矩阵颜色调节的具体信息。但是,你可以使用matplotlib库中的颜色映射(colormap)来调节混淆矩阵的颜色。颜色映射可以将数值映射到不同的颜色,从而使混淆矩阵更加直观和易于理解。
以下是一个使用matplotlib库中的颜色映射来调节混淆矩阵颜色的示例代码:
```python
import numpy as np
import matplotlib.pyplot as plt
# 创建混淆矩阵
confusion_matrix = np.array([[100, 20], [30, 50]])
# 定义颜色映射
cmap = ListedColormap(['white', 'blue'])
# 绘制混淆矩阵
plt.imshow(confusion_matrix, cmap=cmap)
# 添加颜色条
plt.colorbar()
# 显示图像
plt.show()
```
在上述代码中,我们首先创建了一个混淆矩阵,然后使用`ListedColormap`定义了一个颜色映射,其中'white'代表0,'blue'代表1。接下来,我们使用`imshow`函数绘制混淆矩阵,并使用`colorbar`函数添加颜色条。最后,使用`show`函数显示图像。
混淆矩阵画图python
在 Python 中,可以使用混淆矩阵来评估分类模型的性能。混淆矩阵是一个表格,其中行表示实际标签,列表示预测标签。每个单元格中的数字表示实际标签和预测标签的组合的数量。可以使用 matplotlib 库来画出混淆矩阵的可视化。
以下是一个示例代码,其中使用 scikit-learn 库中的函数获取混淆矩阵并使用 matplotlib 库绘制图表:
```python
from sklearn.metrics import confusion_matrix
import matplotlib.pyplot as plt
import numpy as np
# 实际标签
y_true = np.array([0, 1, 1, 0, 1, 1])
# 预测标签
y_pred = np.array([0, 1, 0, 0, 1, 1])
# 获取混淆矩阵
cm = confusion_matrix(y_true, y_pred)
# 绘制混淆矩阵图表
plt.imshow(cm, cmap=plt.cm.Blues)
plt.colorbar()
# 添加轴标签
classes = ['0', '1']
tick_marks = np.arange(len(classes))
plt.xticks(tick_marks, classes)
plt.yticks(tick_marks, classes)
# 在每个单元格中添加数字
thresh = cm.max() / 2.
for i, j in np.ndindex(cm.shape):
plt.text(j, i, format(cm[i, j], 'd'),
horizontalalignment="center",
color="white" if cm[i, j] > thresh else "black")
# 添加标题和轴标签
plt.xlabel('Predicted label')
plt.ylabel('True label')
plt.title('Confusion matrix')
plt.show()
```
这将生成一个混淆矩阵的图表,其中每个单元格中的数字表示实际标签和预测标签的组合的数量。在示例中,实际标签为 0 或 1,预测标签也为 0 或 1。您可以根据自己的数据更改这些标签。