多分类混淆矩阵代码实现
时间: 2023-11-08 14:04:25 浏览: 43
多分类混淆矩阵可以通过使用sklearn库中的函数来实现。以下是一个示例代码:
```python
from sklearn.metrics import confusion_matrix
import numpy as np
# 假设有真实标签和预测标签
y_true = np.array([1, 2, 0, 1, 2, 0, 2, 1])
y_pred = np.array([1, 2, 0, 0, 2, 0, 1, 1])
# 计算混淆矩阵
cm = confusion_matrix(y_true, y_pred)
print(cm)
```
输出结果为:
```
[[1 0 1]
[1 2 0]
[0 1 2]]
```
混淆矩阵的行表示真实标签,列表示预测标签。在这个例子中,类别0有1个样本被预测为类别0,1个样本被预测为类别2;类别1有1个样本被预测为类别0,2个样本被预测为类别1;类别2有2个样本被预测为类别1,2个样本被预测为类别2。
希望这个示例对你有帮助!如有其他问题,请随时提问。
相关问题
多分类 混淆矩阵 代码
多分类混淆矩阵的代码可以使用sklearn库中的confusion_matrix函数来实现。具体实现方法如下:
```python
from sklearn.metrics import confusion_matrix
# 假设y_true和y_pred是两个长度为n的数组,分别表示真实标签和预测标签
# n为样本数,标签可以是任意整数
cm = confusion_matrix(y_true, y_pred)
print(cm)
```
其中,y_true和y_pred分别表示真实标签和预测标签,cm表示混淆矩阵。
多分类混淆矩阵python代码
多分类混淆矩阵是用来评估多分类问题中模型的性能的一种方法,它可以展示模型在每个类别上的预测情况。在Python中,可以使用sklearn库来实现多分类混淆矩阵的计算。
首先,我们需要导入必要的库和数据,然后使用模型进行预测,接着使用混淆矩阵来评估模型的性能。下面是一个示例代码:
```python
# 导入必要的库
from sklearn.metrics import confusion_matrix
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
import matplotlib.pyplot as plt
import seaborn as sns
# 加载数据集
data = load_iris()
X = data.data
y = data.target
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
# 训练模型
model = LogisticRegression()
model.fit(X_train, y_train)
# 模型预测
y_pred = model.predict(X_test)
# 计算混淆矩阵
conf_matrix = confusion_matrix(y_test, y_pred)
# 使用seaborn库绘制混淆矩阵热力图
plt.figure(figsize=(8, 6))
sns.heatmap(conf_matrix, annot=True, cmap='Blues', fmt='g')
plt.xlabel('Predicted')
plt.ylabel('Actual')
plt.title('Confusion Matrix')
plt.show()
```
在这个示例代码中,我们首先导入所需的库和数据集,然后使用逻辑回归模型进行训练和预测。接着使用`confusion_matrix`函数计算混淆矩阵,最后使用`seaborn`库中的热力图函数来可视化混淆矩阵。通过这个混淆矩阵,我们可以清晰地看到模型在每个类别上的预测情况,从而评估模型的性能。