python 多分类预测混淆矩阵

在Python中，可以使用scikit-learn库来进行多分类预测混淆矩阵的计算。

首先，需要导入所需的库和数据集：

from sklearn.metrics import confusion_matrix
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier

iris = load_iris()
X = iris.data
y = iris.target

接着，按照惯例将数据集分为训练集和测试集：

X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)

然后，使用决策树分类器进行训练和预测：

clf = DecisionTreeClassifier().fit(X_train, y_train)
y_pred = clf.predict(X_test)

最后，使用`confusion_matrix`函数计算混淆矩阵：

cm = confusion_matrix(y_test, y_pred)
print(cm)

输出结果如下：

[[13  0  0]
 [ 0 15  1]
 [ 0  0  9]]

其中，行表示真实值，列表示预测值。对角线上的数字表示预测正确的样本数，其余数字表示预测错误的样本数。例如，第二行第三列的数字1表示有1个真实值为1的样本被错误地预测为2。

如果需要更加可视化的混淆矩阵，可以使用`heatmap`函数：

import seaborn as sns
sns.heatmap(cm, annot=True)

这样就可以得到一个彩色的热力图，其中不同的颜色代表不同数量级的样本数量，数字表示具体的数量。