cnn混淆矩阵代码实例

当我们使用CNN（卷积神经网络）进行分类任务时，混淆矩阵是一种用于评估分类模型性能的常用工具。它能够显示出模型在每个类别上的预测结果和真实标签之间的差异。下面是一个使用Python和Scikit-learn库来计算和可视化混淆矩阵的示例代码：

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

# 真实标签
y_true = np.array([0, 1, 2, 0, 1, 2, 0, 1, 2])
# 模型预测结果
y_pred = np.array([0, 1, 1, 0, 2, 2, 0, 1, 2])

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

# 可视化混淆矩阵
plt.figure(figsize=(8, 6))
plt.imshow(cm, interpolation='nearest', cmap=plt.cm.Blues)
plt.title('Confusion Matrix')
plt.colorbar()
tick_marks = np.arange(len(classes))
plt.xticks(tick_marks, classes)
plt.yticks(tick_marks, classes)

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

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

在上面的代码中，首先定义了真实标签`y_true`和模型预测结果`y_pred`。然后使用`confusion_matrix`函数计算混淆矩阵，并将其存储在变量`cm`中。最后，使用`plot_confusion_matrix`函数将混淆矩阵可视化出来。