续写代码，利用已有变量对模型进行评估并绘图展示

为了评估模型并以图形方式展示结果，我们可以使用Python中的matplotlib等库来绘制准确率和其他可能关心的指标如混淆矩阵等。以下是基于您给出的数据和模型的一个示例扩展：

首先，我们假设`sklearn.metrics`已经被导入以便于计算更详细的评估指标，例如混淆矩阵，并且也引入了`matplotlib.pyplot`用于绘图。

from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay, accuracy_score

# 已有的数据点与真实值
predictions = pred
actuals = true

# 使用sklearn.metrics来计算准确度及混淆矩阵
acc = accuracy_score(actuals, predictions)
cm = confusion_matrix(actuals, predictions)

# 打印准确度
print("Model Accuracy:", acc)

# 创建混淆矩阵显示对象
cmd = ConfusionMatrixDisplay(cm, display_labels=target_names)

# 绘制混淆矩阵
plt.figure()
cmd.plot(cmap='Blues')
plt.title('Spam Detector Confusion Matrix')

# 显示图表
plt.show()

上述代码会将之前已有的预测结果和实际分类结果用作输入，然后通过混淆矩阵可视化这些结果。注意，在实际环境中需要确保`matplotlib`和`sklearn`已经安装并且可用。同时，请确认您的环境支持图像显示功能，否则可能需要一些额外配置才能正确显示图像。这段代码假设二分类问题的结果，其中类别标签分别是垃圾邮件（spam）和非垃圾邮件（ham）。