python混淆矩阵代码

混淆矩阵是用来评估分类器性能的常用工具。Python中有许多库可以用来计算混淆矩阵，如sklearn和numpy等。

以下是一个简单的Python代码示例，演示如何使用sklearn库计算混淆矩阵：

from sklearn.metrics import confusion_matrix
y_true = [0, 1, 0, 1, 0, 1]
y_pred = [1, 1, 0, 1, 0, 0]
confusion_mat = confusion_matrix(y_true, y_pred)
print(confusion_mat)

该代码中，我们引入了sklearn库中的confusion_matrix函数，它需要传入两个参数——真实标签和预测标签。在本例中，我们将真实标签保存在列表y_true中，将预测标签保存在y_pred中。

通过调用confusion_matrix函数，我们可以获得一个混淆矩阵。运行代码后，输出如下：

[[2 1]
 [1 2]]

这个矩阵的行表示真实的标签，列表示预测的标签。混淆矩阵中的每个元素表示预测正确或错误的数量。例如，矩阵中的值2表示真实标签为0且预测正确的数量为2，值1表示真实标签为0但预测错误的数量为1。

通过计算混淆矩阵，我们可以计算许多性能指标，如精确度、召回率和F1分数等。因此，混淆矩阵是评估分类器性能的一个重要工具。

相关问题

python混淆矩阵可视化代码

可以使用matplotlib库来绘制混淆矩阵的可视化图表。以下是一个简单的例子：

import matplotlib.pyplot as plt
from sklearn.metrics import confusion_matrix
import numpy as np

# 生成随机的混淆矩阵
y_true = np.random.randint(0, 2, 100)
y_pred = np.random.randint(0, 2, 100)
cm = confusion_matrix(y_true, y_pred)

# 定义绘制混淆矩阵的函数
def plot_confusion_matrix(cm, classes):
    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)
    plt.yticks(tick_marks, classes)
    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")
    plt.ylabel('True label')
    plt.xlabel('Predicted label')
    plt.tight_layout()

# 调用函数绘制混淆矩阵
class_names = ['class 0', 'class 1']
plot_confusion_matrix(cm, classes=class_names)

plt.show()

这段代码会生成一个随机的混淆矩阵，并将其可视化。你可以根据自己的需求修改类别名称和混淆矩阵数据。

python画混淆矩阵代码

以下是一个基本的Python混淆矩阵代码示例：

from sklearn.metrics import confusion_matrix
import numpy as np

# 预测值和实际值
y_true = np.array([0, 1, 0, 1, 1, 0, 0, 1])
y_pred = np.array([0, 1, 1, 1, 1, 0, 1, 0])

# 创建混淆矩阵
cm = confusion_matrix(y_true, y_pred)

# 输出混淆矩阵
print("Confusion Matrix:\n", cm)

输出结果为：

Confusion Matrix:
 [[3 1]
 [1 3]]

其中，混淆矩阵的行表示实际类别，列表示预测类别。矩阵中的每个元素表示预测为该列类别且实际为该行类别的样本数。例如，在上述示例中，有3个真正例（实际为0，预测为0），3个真反例（实际为1，预测为1），1个假正例（实际为0，预测为1），1个假反例（实际为1，预测为0）。