酒数据集的混淆矩阵代码

混淆矩阵是一种统计工具，常用于评估分类模型的性能，特别是在二分类或多分类任务中。它将实际类别（True Label）与预测类别（Predicted Label）之间的对应情况可视化为一个表格。对于酒数据集（例如葡萄酒品质数据集 Wine Quality Dataset），如果你想要计算模型的混淆矩阵，可以按照以下步骤编写Python代码：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import confusion_matrix
from sklearn.linear_model import LogisticRegression

# 假设你已经有了一个名为'data.csv'的CSV文件，其中包含'quality'列作为目标变量，其他列为特征
data = pd.read_csv('data.csv')

# 数据预处理（划分特征X和目标y，标准化）
X = data.drop('quality', axis=1)
y = data['quality']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# 使用Logistic Regression为例创建模型
model = LogisticRegression()
model.fit(X_train, y_train)

# 预测并获取混淆矩阵
y_pred = model.predict(X_test)
conf_mat = confusion_matrix(y_test, y_pred)

# 将混淆矩阵转换为DataFrame以便打印
conf_df = pd.DataFrame(conf_mat, index=['Actual Low', 'Actual High'], columns=['Predicted Low', 'Predicted High'])
print("Confusion Matrix:\n", conf_df)

这只是一个基本示例，实际应用中可能需要对模型、数据预处理或其他参数进行调整。运行这段代码后，你会得到一个二维数组形式的混淆矩阵，展示了模型对每个真实类别的预测分布。