lightgbm混淆矩阵可视化

LightGBM是一种基于梯度提升决策树（Gradient Boosting Decision Tree）的机器学习算法。混淆矩阵可视化是评估分类模型性能的一种常用方法，可以直观地展示模型在不同类别上的预测结果。

要进行混淆矩阵可视化，首先需要使用LightGBM模型对测试数据进行预测，并得到预测结果。然后，根据预测结果和真实标签，计算混淆矩阵。混淆矩阵是一个二维矩阵，行表示真实标签，列表示预测结果，每个元素表示对应类别的样本数量。

接下来，可以使用各种数据可视化工具（如Matplotlib、Seaborn等）将混淆矩阵可视化。一种常见的可视化方式是使用热力图（heatmap），将混淆矩阵的数值以颜色的形式展示出来。颜色的深浅表示对应类别的样本数量多少，可以直观地观察到模型在不同类别上的预测准确性。

以下是使用Python和Matplotlib库进行混淆矩阵可视化的示例代码：

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# 模拟混淆矩阵数据
confusion_matrix = np.array([[100, 20, 30],
                             [10, 150, 20],
                             [5, 10, 120]])

# 设置标签
labels = ['Class 0', 'Class 1', 'Class 2']

# 绘制热力图
plt.figure(figsize=(8, 6))
sns.heatmap(confusion_matrix, annot=True, fmt='d', cmap='Blues', xticklabels=labels, yticklabels=labels)
plt.xlabel('Predicted label')
plt.ylabel('True label')
plt.title('Confusion Matrix')
plt.show()

这段代码会生成一个热力图，横轴表示预测结果，纵轴表示真实标签，每个格子中的数字表示对应类别的样本数量。颜色越深表示数量越多，可以直观地观察到模型在不同类别上的预测情况。