混淆矩阵heatmap图
时间: 2023-12-04 10:41:22 浏览: 64
混淆矩阵是用于评估分类模型性能的一种矩阵。在混淆矩阵中,行表示实际类别,列表示预测类别。对角线上的元素表示正确分类的样本数,非对角线上的元素表示错误分类的样本数。混淆矩阵heatmap图可以直观地展示混淆矩阵的结果。
以下是一个绘制混淆矩阵heatmap图的例子:
```python
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
# 构造混淆矩阵
confusion_matrix = np.array([[50, 10, 5], [5, 20, 15], [10, 5, 30]])
# 绘制heatmap图
fig, ax = plt.subplots(figsize=(8, 6))
sns.heatmap(confusion_matrix, annot=True, cmap='Blues', fmt='g', ax=ax)
# 设置图形属性
ax.set_xlabel('Predicted labels')
ax.set_ylabel('True labels')
ax.set_title('Confusion Matrix')
# 显示图形
plt.show()
```
在上述代码中,我们首先构造了一个3x3的混淆矩阵,然后使用seaborn库中的heatmap函数绘制了混淆矩阵的heatmap图。其中,annot=True表示在heatmap图中显示数值,cmap='Blues'表示使用蓝色调色板,fmt='g'表示使用普通数字格式显示数值。
相关问题
python绘制混淆矩阵热力图
在Python中,可以使用matplotlib库和seaborn库来绘制混淆矩阵的热力图。下面是一个简单的示例代码:
```python
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
# 创建混淆矩阵数据
confusion_matrix = np.array([[50, 10, 5],
[5, 40, 15],
[10, 5, 45]])
# 绘制热力图
plt.figure(figsize=(8, 6))
sns.heatmap(confusion_matrix, annot=True, cmap="YlGnBu", fmt="d")
plt.xlabel("Predicted label")
plt.ylabel("True label")
plt.title("Confusion Matrix Heatmap")
plt.show()
```
在这个示例中,我们首先创建了一个3x3的混淆矩阵数据。然后使用`sns.heatmap()`函数绘制热力图,其中`annot=True`表示在每个格子中显示数值,`cmap="YlGnBu"`表示使用蓝绿色调色板,`fmt="d"`表示显示整数类型的数值。
你可以根据自己的混淆矩阵数据进行相应的修改和调整,以满足你的需求。
混淆矩阵图python
混淆矩阵图是一种展示分类模型性能的可视化工具,用于比较有监督学习模型在多类别任务中的分类结果。在Python中,可以使用各种数据科学和机器学习库来生成和绘制混淆矩阵图,如matplotlib和seaborn。
首先,需要导入所需的库,并将真实标签和预测标签作为输入数据。可以使用sklearn库中的metrics模块来计算混淆矩阵。
```Python
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn import metrics
# 真实标签和预测标签
y_true = [0, 1, 0, 1, 2, 0, 2, 2]
y_pred = [0, 1, 0, 2, 1, 0, 2, 1]
# 计算混淆矩阵
confusion_matrix = metrics.confusion_matrix(y_true, y_pred)
```
接下来,可以使用seaborn库的heatmap函数将混淆矩阵可视化。
```Python
# 绘制混淆矩阵图
plt.figure(figsize=(8, 6))
sns.heatmap(confusion_matrix, annot=True, cmap="Blues")
# 添加轴标签
plt.xlabel("预测标签")
plt.ylabel("真实标签")
plt.title("混淆矩阵图")
# 显示图形
plt.show()
```
以上代码将生成一个具有颜色编码单元格和数字注释的矩形热图。行表示真实标签,列表示预测标签。热图的纵向表示了预测标签的准确性和误判情况,横向表示了真实标签的分布情况。注释数字表示每个类别的样本数。根据颜色的深浅可以观察到每个类别的分类情况,以及模型的整体性能。
通过混淆矩阵图,我们可以直观地了解分类模型在每个类别上的表现,并进一步优化模型以提高分类性能。