请举例用代码实现产生图像分类的混淆矩阵

以下是一个简单的 Python 代码示例，用于生成图像分类的混淆矩阵。假设我们有一个包含 4 个类别的图像分类任务，数据集中共有 100 个样本，其中 20 个属于类别 0，30 个属于类别 1，40 个属于类别 2，10 个属于类别 3。我们使用一个简单的卷积神经网络模型对这些图像进行分类，并用混淆矩阵来评估模型的性能。

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

# 模拟样本标签和预测标签
y_true = np.concatenate([np.zeros(20), np.ones(30), np.full(40, 2), np.full(10, 3)])
y_pred = np.concatenate([np.zeros(18), np.ones(32), np.full(39, 2), np.full(11, 3)])

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

# 可视化混淆矩阵
plt.imshow(cm, cmap='Blues')
plt.title('Confusion Matrix')
plt.colorbar()
tick_marks = np.arange(len(np.unique(y_true)))
plt.xticks(tick_marks, np.unique(y_true))
plt.yticks(tick_marks, np.unique(y_true))
plt.xlabel('Predicted')
plt.ylabel('True')
plt.show()

运行上述代码后，我们可以得到一个直观的混淆矩阵图像，如下所示：


其中，横轴表示预测标签，纵轴表示真实标签。对角线上的数字代表分类正确的样本数，其他位置上的数字代表分类错误的样本数。例如，第一行第二列的数字 2 表示有 2 个属于类别 1 的样本被错误地分类为类别 0。