confusion matrix of KNN画图举例

下面是一个KNN算法的混淆矩阵的例子，以及如何用Python的Matplotlib库绘制混淆矩阵。

假设我们使用KNN算法对一组数据进行分类，其中正样本有70个，负样本有30个。我们将数据集分为训练集和测试集，其中测试集共有20个样本。KNN算法将测试集中的样本分为正样本或负样本，我们可以使用混淆矩阵来评估算法的性能。

| | 预测为正样本 | 预测为负样本 |
| --- | --- | --- |
| 实际为正样本 | 15 | 5 |
| 实际为负样本 | 2 | 8 |

上表是KNN算法的混淆矩阵，其中15个正样本被正确预测，5个正样本被错误预测为负样本，2个负样本被错误预测为正样本，8个负样本被正确预测。我们可以使用混淆矩阵来计算算法的准确率、召回率、F1值等指标。

接下来，我们可以使用Python的Matplotlib库来绘制混淆矩阵。下面是一个示例代码：

import matplotlib.pyplot as plt
import numpy as np

# 设置混淆矩阵
confusion_matrix = np.array([[15, 5], [2, 8]])

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

# 添加标题和轴标签
ax.set_title('Confusion Matrix of KNN')
ax.set_xlabel('Predicted Labels')
ax.set_ylabel('True Labels')

# 添加刻度标签
tick_marks = np.arange(len(['Positive', 'Negative']))
ax.set_xticks(tick_marks)
ax.set_xticklabels(['Positive', 'Negative'])
ax.set_yticks(tick_marks)
ax.set_yticklabels(['Positive', 'Negative'])

# 添加文本标签
thresh = confusion_matrix.max() / 2.
for i, j in ((i, j) for i in range(2) for j in range(2)):
    ax.text(j, i, confusion_matrix[i, j],
            ha="center", va="center", color="white" if confusion_matrix[i, j] > thresh else "black")

# 显示图像
plt.show()

运行以上代码，我们将得到一个类似于下面的混淆矩阵图：


该图使用蓝色的色阶表示混淆矩阵中的值，深色表示更高的值。我们可以看到，正确预测的正样本和负样本都比错误预测的多，KNN算法的性能较好。