0-1混淆矩阵的代码实现

0-1混淆矩阵，也称为精确率召回率矩阵或对角线矩阵，用于评估分类模型的性能，特别关注真正例（True Positives, TP）、假正例（False Positives, FP）、真负例（True Negatives, TN）和假负例（False Negatives, FN）。以下是一个简单的Python代码示例，使用pandas库来创建和显示混淆矩阵：

import pandas as pd

# 假设我们有实际类别（y_true）和预测类别（y_pred）的数据
y_true = [1, 0, 0, 1, 1]  # 实际标签
y_pred = [1, 0, 1, 1, 0]  # 预测结果

# 计算混淆矩阵
conf_matrix = pd.crosstab(y_true, y_pred, rownames=['Actual'], colnames=['Predicted'])

print(conf_matrix)

运行上述代码后，你会得到类似这样的矩阵：

Predicted
0      1
Actual  
0      FP  TN
1   FN  TP

其中`FP`、`FN`、`TP`和`TN`分别代表了混淆矩阵中的数值。

相关问题

0-1混淆矩阵的代码实现，其中TP=191,FN=85,FP=2,TN=3

如果已知TP（真正例）等于191，FN（假阴性）等于85，FP（假阳性）等于2，TN（真阴性）等于3，我们可以手动构建一个0-1混淆矩阵。在这种情况下，由于TP、FP、TN和FN都是整数，可以直接用字典或列表的形式表示：

conf_matrix = {
    '实际类别': ['真实阳性的(Positive)', '真实阴性的(Negative)'],
    '预测类别': ['预测阳性的(Positive)', '预测阴性的(Negative)'],
    '计数': [TP, FN, FP, TN]
}

# 将计数转为二维列表，方便展示
matrix_data = [[conf_matrix['计数'][i], conf_matrix['计数'][j]] for i, j in zip([1, 2], [0, 3])]

# 使用numpy或pandas展示矩阵
import numpy as np
conf_matrix_df = pd.DataFrame(matrix_data, index=['TP', 'FP'], columns=['实际阳性的(Positive)', '实际阴性的(Negative)'])
print(conf_matrix_df)

# 或者直接打印计数值
print("TP:", TP, "FN:", FN, "FP:", FP, "TN:", TN)

这将输出一个简单的文本形式的混淆矩阵以及每个值。

代码实现混淆矩阵可视化

混淆矩阵是一种用于评估分类模型性能的工具，它可以显示实际类别与预测类别之间的关系。在Python中，我们可以使用Scikit-learn库的confusion_matrix函数来计算混淆矩阵。然后，我们可以使用Matplotlib库的imshow函数将混淆矩阵可视化。

下面是一个简单的例子，展示如何使用Scikit-learn和Matplotlib库来实现混淆矩阵的可视化：

# 导入必要的库
from sklearn.metrics import confusion_matrix
import matplotlib.pyplot as plt
import numpy as np

# 生成随机数据
y_true = np.random.randint(0, 2, size=100)
y_pred = np.random.randint(0, 2, size=100)

# 计算混淆矩阵
cm = confusion_matrix(y_true, y_pred)

# 可视化混淆矩阵
plt.imshow(cm, cmap=plt.cm.Blues)

# 添加标题、轴标签和刻度
plt.title('Confusion matrix')
plt.xlabel('Predicted')
plt.ylabel('Actual')
tick_marks = np.arange(2)
plt.xticks(tick_marks, ['Class 0', 'Class 1'])
plt.yticks(tick_marks, ['Class 0', 'Class 1'])

# 添加文本标签
thresh = cm.max() / 2.
for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])):
    plt.text(j, i, format(cm[i, j], 'd'),
             horizontalalignment="center",
             color="white" if cm[i, j] > thresh else "black")

# 显示图像
plt.show()

在这个例子中，我们首先生成了100个随机的实际类别和预测类别，并使用Scikit-learn库的confusion_matrix函数计算混淆矩阵。然后，我们使用Matplotlib库的imshow函数将混淆矩阵可视化。我们还添加了标题、轴标签和刻度，并使用文本标签在图像中显示混淆矩阵中的数字。最后，我们使用show函数显示图像。

这里的关键在于使用imshow函数将混淆矩阵可视化，以及使用text函数在图像中添加文本标签。你可以根据需要调整图像大小、颜色映射、文本标签样式等等。