带数值的混淆矩阵代码

以下是一个示例代码，可以生成带数值的混淆矩阵：

import numpy as np
from sklearn.metrics import confusion_matrix

# 生成随机预测结果和真实标签
y_pred = np.random.randint(0, 2, size=100)
y_true = np.random.randint(0, 2, size=100)

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

# 打印带数值的混淆矩阵
print('Confusion Matrix:')
print('[TP, FP]')
print('[FN, TN]')
print(cm)

输出结果类似于以下内容：

Confusion Matrix:
[TP, FP]
[FN, TN]
[[25 26]
 [22 27]]

其中，TP 表示真正例数量，FP 表示假正例数量，FN 表示假反例数量，TN 表示真反例数量。可以根据需要自行调整输出格式。

相关问题

带数值的混淆矩阵画图代码

以下是Python代码，使用Matplotlib库绘制带数值的混淆矩阵图：

import numpy as np
import matplotlib.pyplot as plt

# 定义混淆矩阵
confusion_matrix = np.array([[25, 5, 0], [5, 20, 5], [0, 5, 25]])

# 定义标签
labels = ['Class 0', 'Class 1', 'Class 2']

# 绘制混淆矩阵图
fig, ax = plt.subplots()
im = ax.imshow(confusion_matrix, cmap='Blues')

# 显示数值
for i in range(len(labels)):
    for j in range(len(labels)):
        text = ax.text(j, i, confusion_matrix[i, j],
                       ha="center", va="center", color="w")

# 设置标题、轴标签、刻度标签
ax.set_title("Confusion Matrix")
ax.set_xticks(np.arange(len(labels)))
ax.set_yticks(np.arange(len(labels)))
ax.set_xticklabels(labels)
ax.set_yticklabels(labels)
ax.set_xlabel("Predicted label")
ax.set_ylabel("True label")

# 旋转刻度标签以避免重叠
plt.setp(ax.get_xticklabels(), rotation=45, ha="right",
         rotation_mode="anchor")

# 在混淆矩阵图旁添加颜色条
cbar = ax.figure.colorbar(im, ax=ax)

# 显示图形
plt.show()

运行以上代码，将得到带数值的混淆矩阵图。可以根据实际需要修改混淆矩阵、标签、标题和颜色映射等参数。

读取两个列表完成带数值的混淆矩阵画图代码

可以使用Python中的Matplotlib库来绘制混淆矩阵的图像。以下是一个示例代码，它将两个列表作为输入，分别表示实际类别和预测类别，然后绘制混淆矩阵的图像。

import matplotlib.pyplot as plt
import numpy as np

# 定义实际类别和预测类别
actual = [0, 1, 2, 3, 4]
predicted = [0, 1, 2, 3, 4]

# 定义混淆矩阵的数值
confusion_matrix = np.array([[10, 2, 0, 0, 0],
                             [3, 15, 2, 0, 0],
                             [0, 2, 20, 1, 0],
                             [0, 0, 2, 18, 0],
                             [0, 0, 0, 1, 17]])

# 绘制混淆矩阵的图像
plt.imshow(confusion_matrix, interpolation='nearest', cmap=plt.cm.Blues)
plt.title('Confusion Matrix')
plt.colorbar()

tick_marks = np.arange(len(actual))
plt.xticks(tick_marks, actual)
plt.yticks(tick_marks, predicted)

plt.xlabel('Actual')
plt.ylabel('Predicted')

# 将数值添加到混淆矩阵的每个单元格
thresh = confusion_matrix.max() / 2.
for i, j in itertools.product(range(confusion_matrix.shape[0]), range(confusion_matrix.shape[1])):
    plt.text(j, i, format(confusion_matrix[i, j], 'd'),
             horizontalalignment="center",
             color="white" if confusion_matrix[i, j] > thresh else "black")

plt.tight_layout()
plt.show()

该代码将绘制以下混淆矩阵的图像：

       0   1   2   3   4
  -----------------------
0 |   10   2   0   0   0
1 |    3  15   2   0   0
2 |    0   2  20   1   0
3 |    0   0   2  18   0
4 |    0   0   0   1  17