python中画混淆矩阵

在Python中，可以使用matplotlib和sklearn库来绘制混淆矩阵。其中，sklearn.metrics.ConfusionMatrixDisplay类可以方便地绘制混淆矩阵。下面是一个示例代码：

from sklearn.metrics import confusion_matrix
from sklearn.metrics import ConfusionMatrixDisplay
import matplotlib.pyplot as plt

y_true = [2, 0, 2, 2, 0, 1]
y_pred = [0, 0, 2, 2, 0, 2]

cm = confusion_matrix(y_true, y_pred)
disp = ConfusionMatrixDisplay(confusion_matrix=cm, display_labels=["ant", "bird", "cat"])
disp.plot(cmap=plt.cm.Blues)
plt.title("Confusion Matrix")
plt.show()

其中，y_true和y_pred分别表示真实标签和预测标签，cm表示混淆矩阵，disp表示ConfusionMatrixDisplay对象，display_labels表示标签名称，cmap表示颜色映射。

相关问题

python画混淆矩阵

在Python中，你可以使用scikit-learn库来计算和绘制混淆矩阵。下面是一个示例代码，展示了如何使用scikit-learn来计算和绘制混淆矩阵：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import confusion_matrix

# 定义真实标签和预测标签
y_true = np.array([0, 1, 0, 1, 1, 0, 0, 1])
y_pred = np.array([0, 1, 1, 1, 0, 0, 1, 1])

# 计算混淆矩阵
cm = confusion_matrix(y_true, y_pred)

# 绘制混淆矩阵
plt.imshow(cm, interpolation='nearest', cmap=plt.cm.Blues)
plt.title("Confusion Matrix")
plt.colorbar()
tick_marks = np.arange(2)
plt.xticks(tick_marks, ['Class 0', 'Class 1'])
plt.yticks(tick_marks, ['Class 0', 'Class 1'])
plt.xlabel('Predicted Label')
plt.ylabel('True Label')

# 在每个格子中显示数值
thresh = cm.max() / 2.
for i in range(cm.shape[0]):
    for j in range(cm.shape[1]):
        plt.text(j, i, format(cm[i, j], 'd'),
                 horizontalalignment="center",
                 color="white" if cm[i, j] > thresh else "black")

plt.show()

这段代码首先导入了必要的库，然后定义了真实标签和预测标签。接下来，使用`confusion_matrix`函数计算混淆矩阵，并将结果存储在变量`cm`中。最后，使用Matplotlib库绘制混淆矩阵，并在每个格子中显示对应的数值。

python 画混淆矩阵

你可以使用 Python 中的库来绘制混淆矩阵。一个常用的库是 Matplotlib。以下是一个简单的示例代码，用于绘制混淆矩阵：

import numpy as np
import matplotlib.pyplot as plt

def plot_confusion_matrix(cm, classes, normalize=False, title='Confusion matrix', cmap=plt.cm.Blues):
    """
    绘制混淆矩阵
    :param cm: 混淆矩阵
    :param classes: 类别列表
    :param normalize: 是否进行归一化
    :param title: 图表标题
    :param cmap: 颜色映射
    """
    if normalize:
        cm = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis]
        print("Normalized confusion matrix")
    else:
        print('Confusion matrix, without normalization')

    plt.imshow(cm, interpolation='nearest', cmap=cmap)
    plt.title(title)
    plt.colorbar()
    tick_marks = np.arange(len(classes))
    plt.xticks(tick_marks, classes, rotation=45)
    plt.yticks(tick_marks, classes)

    fmt = '.2f' if normalize else 'd'
    thresh = cm.max() / 2.
    for i in range(cm.shape[0]):
        for j in range(cm.shape[1]):
            plt.text(j, i, format(cm[i, j], fmt),
                     horizontalalignment="center",
                     color="white" if cm[i, j] > thresh else "black")

    plt.tight_layout()
    plt.ylabel('True label')
    plt.xlabel('Predicted label')
    plt.show()

# 创建一个样例混淆矩阵
cm = np.array([[10, 2, 0],
               [3, 15, 1],
               [2, 1, 12]])

# 定义类别列表
cl